肺癌是世界上发病率和死亡率最高的癌症之一,然而由于肺癌早期没有明显的症状,导致其一旦被发现往往就是中晚期,错过了最佳治疗时间。肺结节是肺癌早期临床表现的关键指标,能否准确检测到肺结节对早期肺癌的诊断具有重要意义。因此,研究一种自动、高效、精准的肺结节检测方法,成为解决肺结节检测问题的关键。针对肺结节检测问题,本文提出了一种基于3D卷积神经网络的CT图像肺结节检测方法。本方法主要包含两个3D卷积神经网络。首先,基于3D-Inception和3D-Unet设计了一种候选结节检测网络3D-IUnet,其中3D-Inception为特征提取提供了丰富的语义信息,U型的网络结构保证了特征图的尺寸并修复损失的特征。其次,设计了一种假阳性去除网络MSH-CNN,其中多尺度输入保证了网络关注肺结节和周围组织的形态特征,分支并联的结构充分提取这些特征,并以自学习权重融合的方式得到最终结果。为了验证本方法的性能,在LUNA16公开数据集上进行测试,本方法的CPM指标达到0.874,并且在1 FP/scan时的灵敏度达到90.1%。实验结果表明了本文方法在肺结节检测上具有良好的性能。