随着医学影像技术水平的提升,基于医学影像的计算机辅助检测算法在辅助医生对病变区域进行诊断方面做出不少贡献。肺部医学图像的分析检测常用于医疗健康服务领域辅助医生进行肺部疾病的诊断。计算机辅助检测有助于放射科医生在肺部CT筛查中通过辅助图像解读来发现遗漏的肺结节。然而,现有的方法在医学图像分析上仍存在许多局限。本文以提升肺结节的辅助检测性能为目标,针对基于深度卷积神经网络的肺实质分割和肺结节检测中存在的几个关键问题进行了研究。主要工作如下:(1)在肺实质分割中,肺部CT图像的边缘信息往往比较模糊,而当前研究方法大都忽略了对肺实质边缘轮廓的特征提取和利用,这对于将深度卷积神经网络应用于肺实质分割十分不利。首先,针对肺实质分割模型中存在的忽略边缘特征、分割精度不高等问题,本文提出了一种基于深度卷积神经网络的注意力Gabor网络(AGNet)用于医学图像分割,该网络能够自动地对目标轮廓进行更多的关注,并能持续地提高分割性能。其次,针对分割网络损失函数不能完全适应注意力机制的问题,对损失函数进行了优化设计,使用了多任务损失函数。将对普通特征的损失与边缘特征的损失按照一定权重进行了融合计算。然后,针对网络的过拟合问题,使用一种drop策略,根据一定比例随机选择相关特征,有效缓解过拟合问题以及实现了计算效率与准确度之间的有效平衡。此外,本文还使用了公开数据集进行实验,验证了该模型的优越性。(2)在肺结节识别中,首先,针对医学图像检测模型缺乏多尺度特性导致对小目标的识别效率不高等问题,为了提升模型的检测性能,设计了一种基于注意力机制并结合特征金字塔网络的多尺度深度卷积检测网络。该网络以深度卷积神经网络为特征提取结构,并使用特征金字塔网络结构实现了注意力机制,以此对不同尺度的特征进行了融合,加强了对小目标的识别能力。同时,为了进一步优化网络中对边界框位置精确回归的能力,通过引入GIo U loss重新设计损失函数进一步提升了肺结节的检测效率。然后,通过在肺结节影像数据集上进行实验,验证了所设计的网络能够提升肺结节检测模型的精度与效率,并为了更好地展示网络性能将检测结果进行了可视化。