肺癌是全球癌症死亡的主要原因之一,据统计每年有160万人死于这种疾病。对于肺癌患者来说,越早发现其存活率越高。目前,医学领域主要通过肺部CT扫描图像来筛查来识别肺癌。随着深度学习的发展,图像分类、语音生成和游戏等等人类任务到机器自动化的转换成为可能,人工智能在医疗领域也应用越来越广泛,目前,深度学习已经在皮肤癌检测和脑肿瘤分割等医学工作中有所应用。和传统的计算机视觉任务不同,肺癌检测存在很多难点,主要是因为:(1)许多结节被非医学专家标记,这很容易导致大量的误判。(2)CT扫描得到的肺部图像是三维结构的,这将使得任何检测算法在计算上成本高昂。(3)正负样本严重不平衡使得数据缺乏多样性和验证。因此,肺癌检测是一个值得研究的问题。本文针对肺部的CT扫描图像,研究了一种基于3D卷积神经网络的肺癌检测与识别算法,用于辅助医生进行肺癌的诊断。该算法主要分为三个部分,图像预处理,肺结节检测与肺癌识别。在图像预处理中,我们主要进行了以下步骤,将CT图像中的灰度值转换为HU值表示,然后是为了统一像素在物理世界对应的尺寸大小,进行了像素重采用,接下来是提取肺部掩码以获取CT图像的肺腔区域,以便更好的处理,最后进行了数据的标准化处理,以便更好的适应网络的输入要求。在肺结节检测部分,分为区域块划分,用于解决GPU内存不足的问题,然后是正负样本均衡,为了解决训练数据中正负样本的不均衡问题,在这些基础之上,构建了肺结节检测网络,用于检测候选结节。在肺癌识别部分,通过候选肺结节筛选,筛选出候选肺结节作为输入,并构建了肺癌识别网络,该网络输出患者患肺癌的概率。该算法可检测疑似结节,并给出患者患肺癌的概率,前者可以找出疑似结节供医生参考,后者可以给出肺癌概率的判别,这两者都可辅助医生用于肺癌的诊断。本文针对所提出的算法进行了详细的实验,实验数据包括两部分,一部分是开源的Kaggle数据集,数据集中一共有2285组图像,包括2359个肺结节,其中直径小于35mm的小结节有1186个,直径小于10mm的结节有905个;另一部分是来自国内多个医院的多中心数据集,一共有820例样本,其中良性样本有435例,恶性样本有385例。通过在上述数据集上的实验的验证,我们的算法模型在肺癌的分类上有较高的特异性和敏感度。