随着医学影像技术的快速发展和临床影像数据量的急剧增长,现代医学工作者面临着如何快速、准确地对不同疾病医学影像进行诊断、分类等重大挑战。利用人工智能技术对医学影像进行病灶检测,可以提高医生的工作效率,缓解医院压力。随着深度学习在计算机视觉领域取得巨大成功,为医学影像病灶检测任务提供了新的思路。深度卷积神经网络能效提取医学影像中的各种病灶特征,以实现病灶的定位和分类等任务。因此,研究基于深度学习的医学影像病灶检测算法研究具有重要的理论意义和应用价值。然而当前的研究在特征图生成方面仍然面临一些挑战,同时还存在着模型可解释性不强等问题。据此,本文提出一种基于深度学习的医学影像病灶检测模型,在病灶检测与可解释性方面得到了较为优秀的结果。本文的主要工作:（1）为突出与病灶分类任务相关的重要内在特征,本文提出一种利用通道和空间注意机制的空间注意力叠加模块用于识别病灶的内在成像特征,并且设计了多层特征融合模块用于协调来自不同通道的不同特征并强调重要信息。将这两个模块连接起来以提取关键图像特征,作为疾病诊断的基础。（2）为提高病灶检测器的性能,将所提出的模块嵌入基线神经网络,并开发了一种名为SAS-MFF-YOLO的模型来检测病灶。为了验证模型的有效性,对北美放射学会（RSNA）和AI研习社提供的两个数据集进行了大量实验。SAS-MFF-YLO在AI研习社数据集上实现了88.1%的精确率和98.2%召回率,AP50为99%。特征图的可视化表明,该方法有助于发现、提取医学影像中的相关病变特征,具有较高的应用价值。（3）为提高模型的可解释性,同时证明模块的鲁棒性,本文提出了SProto PNet病灶检测模型,该模型模拟人的分类逻辑进行图像推理,具有较强的可解释性。为验证模型的有效性,在Chest X-ray14数据集上进行了实验,结果表明,该方法有效地提升了医学影像病灶检测的性能,并提高了模型的可解释性。