近年来肝癌症患者的数量逐年增加,致死率也逐年提升,已经在癌症死亡病例中居第三位。在腹部CT上对肝脏肿瘤进行准确检测可以帮助医生更好的对患者进行疾病评估、诊断。随着人工智能算法的不断进步,深度学习算法在医学图像检测任务中被广泛应用。通过对基于深度学习的检测算法进行研究可以完成腹部CT中肝肿瘤的自动标注,辅助医生进行诊断。然而CT中的肿瘤分辨率较小且尺度多变,很难被发现。针对以上问题,本文开展了基于Faster R-CNN的肝脏肿瘤检测方法的研究。具体内容如下:（1）提出基于Con A-FPN的肝脏肿瘤检测算法,具体过程为:首先,使用融合Res Net和注意力机制的特征金字塔替换Faster R-CNN中的特征提取网络;其次,使用融合特征解决特征金字塔中的高层模块通道信息损失问题,通过添加CAG注意力机制解决了特征融合带来的特征混叠问题,增强模型对小肿瘤的检测能力;最后,使用迁移学习和数据增强提升模型在小数据集上的检测能力和泛化能力。实验结果表明,该网络的m AP可以达到0.874,有效的提高了检测精度。（2）提出一种基于U型辅助网络的肝脏肿瘤检测方法,首先,使用基于U-net网络的结构代替CBNet中的DB双主干结构,在保证融合高低层级特征提高性能的同时,大幅降低了计算量和参数量。其次,使用Io U损失代替Faster R-CNN原始的smooth L1损失,优化边界框回归过程。实验结果和可视化结果表明,使用本方法在提升精度的同时,也使边界框的位置更加准确。（3）针对上述两种方法,提出肝脏肿瘤检测系统,利用基于深度学习的方法对肝脏肿瘤进行检测,在减轻医生负担的同时,可以降低医生因主观评价和过量工作导致的误检和漏检。