当今世界,肺癌已成为世界上常见且致命的疾病,肺癌的早期诊断与治疗是降低死亡率的关键。计算机以及人工智能辅助诊断技术可以有效帮助医师提升病灶检出率、降低漏诊和误诊率。因此,采用计算机辅助技术辅助医师诊断已成为当前医学图像分析领域的重要研究热点之一。肺癌的早期表现为肺结节,肺结节的鉴别是诊断肺癌的一个重要环节,而肺结节良恶性的区分是医生对结节分期评估的重要依据。本课题研究了基于卷积神经网络的CT图像肺结节检测与分类方法。由于三维卷积神经网络可以更好地提取CT的上下文信息,因此,本课题所设计的网络均采用三维卷积神经网络,主要工作和创新点如下:（1）针对计算机断层扫描（CT）影像中肺结节检测灵敏度较低,且存在大量假阳性的问题,本课题提出了一种集成空间和通道信息的多尺度聚合网络（MSANet）用于肺结节检测。MSANet旨在提高网络的信息提取能力,实现多尺度信息融合。首先,采用多尺度聚合交互策略提取多层次特征,有效地整合相邻分辨率的上下文信息,有助于检测不同大小的结节。其次,设计了有效的通道注意力和自校准卷积（ECA-SC）特征提取模块,以增强通道间和局部空间信息提取。最后,为了平衡数据集中的正负样本,采用了分布排序（DR）损失作为分类损失函数。本课题所提MSANet的CPM得分达到0.920,得到了高性能的肺结节检测模型。（2）针对当前肺结节良恶性诊断模型准确率较低的现状,提出一种多特征GBM肺结节良恶性分类模型,该模型将结节大小、原始裁剪结节像素、非对称卷积分割注意力网络（SAACNet）学习的深度特征采用梯度提升树（GBM）进行了拼接。其中,SAACNet中设计的SAAC模块可以有效地提取更细粒度的多尺度空间信息,实现强化特征提取,并提升网络对物体翻转和旋转的鲁棒性。另外,SAACNet采用双路径连接方式进行特征复用,使模型对特征的利用更加充分。最后,通过添加调节因子,使损失函数更关注于分类困难的、错分的样本。所提模型的分类准确率达到95.18%,AUC值达到0.961,提高了肺结节分类模型的分类准确度。在完成肺结节检测与肺结节良恶性分类模型设计的基础上,将所设计的模型进行整合,完成肺部CT癌症辅助诊断模型,并与公开数据集中的医师诊断结果进行对比,证明了肺部CT癌症辅助诊断模型的卓越性能。