根据世卫组织公开的数据表明,罹患肺癌的病患在患癌总人数中占比最大且死亡率颇高。肺结节是肺癌前期表现的特殊症状。对肺结节提早筛查有助于尽早治疗,提高患者的生存几率。传统筛查手段需要借助医生肉眼观察,存在漏诊、误诊等缺点。借助当今学界备受欢迎的深度学习,对肺结节进行检测和分割是一个热门交叉研究方向。本文以肺部计算机断层扫描（Computer Tomography,CT）图像为切入点,利用较为成熟的神经网络和三维重建技术对肺结节进行研究,同时设计一款简单易用、准确可靠、性能优异的计算机辅助检测诊断系统。以下为主要研究内容:1.各大医疗机构采集的CT图像存在部分差异,这会导致图像数据无法被批量处理从而影响效率。考虑到实验对象包含大量无关信息,所以需要将肺实质分割后再进行检测。该步骤有利于提高精度和效率。然而传统分割算法存在过度分割问题,因此本文提出一种基于图像标记法优化的分水岭算法,可以避免过分割并能较好的完成分割任务,较传统算法在分割速度上提升67%左右。2.基于Mask R-CNN网络,研究了一种针对肺结节的辅助检测算法。本文在进行研究对比后,最终选定使用Mask R-CNN网络进行肺结节的检测和分割。但该方法在检测精度上依然存在较大的上升空间。本文首先将对开源数据集进行图像预处理,利用labelme标记工具,建立具有轮廓标签的肺部CT横截面数据集。然后根据训练数据的特点,重新设计调整网络超参数,对模型进行批量训练,以求得到最优权重系数。最后通过与其他检测算法对比实验,得出本文提出的优化算法的平均精确度（mean Average Precision,m AP）达到了89.6%,普遍提升8.2%左右。3.研究了CT图像的三维重建。本文分别研究了移动立方体算法和光线投射算法,并在肺部CT数据集上进行对比实验,在比较两者优缺点后,确定使用移动立方体算法来实现三维建模任务。4.基于Qt、Visual Studio等软件平台,设计了肺结节辅助检测系统并实现了肺部的三维可视化建模。该系统可以实现数据预处理、检测、分割、建模等功能,表明了该系统的有效性和易操作性。