癌症是威胁人类公共健康的首要原因。因此,癌症的早期筛查和准确诊断极其重要。医学影像作为主要的癌症诊断方法,被广泛应用于临床诊断中。日益精细化的医学影像提供了大量的有用信息,对辅助医生做出准确诊断发挥着至关重要的作用。然而,日益增长的医学影像数据,为医生的诊断效率带来了挑战。本文从计算机辅助诊断的角度出发,研究适用于肺癌影像检测的深度学习检测模型,辅助医生提高诊断效率。本文主要做出了以下研究:1)提出一种基于Faster-RCNN的癌症影像检测方法,使用Faster-RCNN作为医学影像的检测模型。从数据角度出发,使用数据增强方法扩增样本数量解决癌症影像中标注数据较少的问题。针对癌症结节虚化和轮廓不明显等病理特征,添加拉普拉斯卷积层锐化结节边缘、突出结节轮廓。因为结节目标尺度普遍为小目标,在训练阶段,修改了Faster-RCNN中RPN(Region Proposal Network)生成的锚框尺度和比例,提高收敛速度。实验证明,该方法在LIDC-IDRI数据集上达到了辅助诊断的效果,极大的提高了诊断效率。2)提出一种转置卷积Inception小组。小组中主要使用多尺度转置卷积层进行特征提取、1*1卷积层进行通道压缩和批归一化层加速收敛。同时结合Inception结构对网络小组的结构做了精细的优化。针对FasterRCNN对于小目标检测效果较差的问题,结合转置卷积Inception小组和VGG16对Faster-RCNN进行了改进。通过改进Faster-RCNN中Backbone网络对图像空间中小目标结节的特征提取能力来提升检测效果。实验证明,Faster-RCNN模型结合VGG16和转置卷积Inception小组对普通结节和小目标结节的检测效果均有明显提升,并且不增加额外检测时间。与使用Res Net101的Faster-RCNN相比,检测速度更快,对小目标检测效果更好。