恶性肿瘤是目前全世界致死的主要原因。它们往往是由人体内多种类型的病灶恶化而成。如果我们能在病灶发展成恶性肿瘤之前发现它们,便能在很大程度上降低死亡率。随着计算机断层扫描（CT,Computed Tomography）技术的进步,病灶的自动检测已成为现实。虽然目前已有一些研究将CT技术与深度学习相结合实现了病灶的自动检测,但是这些方法只检测特定类型的病灶,无法同时对多类型病灶进行处理。论文的研究目的便是实现CT影像多类型病灶的自动检测。针对上述目的,本论文重点研究了多类型病灶自动检测中的形态与尺度差异、小目标检测和样本不均衡等问题。论文首先介绍了CT成像的基本原理。在此基础之上,提出了多类型病灶检测预处理方法。该预处理方法通过数据预处理和锚框预处理,以解决多类型病灶的形态差异与小病灶为主的问题。然后,论文针对尺度差异和样本不均衡问题,提出了基于困难样本挖掘的级联回归多病灶检测方法。最后,论文分别对所提的多病灶预处理和检测方法进行了评估。论文的主要研究成果包括:（1）提出了多类型病灶检测预处理方法。该方法通过数据预处理将CT影像转换为三通道的伪彩色图像,从而将图像中的像素值归一化到相同的范围,减小了不同类型病灶形态差异。其次,通过锚框预处理,结合多类型病灶框大小的先验知识,对锚框宽高比进行了优化。（2）提出了基于级联回归建议的多类型病灶检测方法。该方法在Faster R-CNN的基础上引入了级联回归策略,通过多次边界框分类与回归对候选框中的正负样本分布进行重采样。在特征提取阶段,使用特征金字塔网络同时融合高层的语义信息与低层的位置信息。最终减小了不同类型病灶间的尺度差异。（3）提出了基于困难样本挖掘的多类型病灶检测方法。该方法对于样本数量较少并且难以检测到的困难样本,使用模型进行迭代训练,以减少样本不均衡带来影响,降低漏检与误检。本论文在Deep Lesion数据集上对提出的方法进行了定性和定量的分析对比。结果显示本论文方法可以作为CT影像中多类型病灶的辅助检测方法,从而促进CT技术在临床的应用。