肺癌是人类世界最常见的疾病之一,也是造成当今人类死亡率上升的原因之一。肺部结节是肺癌早期最典型的表现形式。医学专家认为,通过计算机断层扫描（CT）对疑似患者的肺结节进行早期诊断,在一定程度上能够降低肺癌患者的死亡风险。CT技术的发展带来CT数据爆炸式增长使得医生的工作越来越繁重。于是计算机辅助诊断技术成为医生诊断过程中强有力的工具。然而,肺结节的特殊性以及周围环境的复杂性使得现有肺结节检测与诊断系统不能满足实际要求。最近研究表明卷积神经网络在肺结节检测与识别方面具有独特而又强大的能力,因此,为了提高肺结节检测与良恶性分类系统的准确性,基于卷积神经网提出肺结节检测及分类算法。具体研究内容如下:（1）基于改进的Faster-RCNN的肺结节检测。为充分利用网络中的特征,利用最大池化操作将原有网络中的第一层,中间层的大小与最后一层特征图的大小保持一致,并将三种特征图进行通道叠加组合,通过1*1卷积改变组合后的特征图通道。根据数据集中肺结节的大小,利用K-means算法选取并修改RPN网络中的锚点的大小和比例。为减少模型的训练时间,将原RPN网络中的3*3卷积替换为深度可分卷积。在LIDC-IDRI数据集上的测试表明,平均精确度为0.91,高于试验中所比较的同类型算法,为肺结节检测算法提供了新的研究思路。（2）肺结节良恶性分类算法。为提高肺结节良恶性分类模型的分类能力,基于VGG16提出一种肺结节良恶性分类算法。综合医生的诊断过程,提取肺结节50维先验特征。为充分利用肺结节周围环境信息,设计双输入单输出网络结构。同时用卷积层代替原有VGG16中的池化层以达到增加模型深度的目的。为减少模型的复杂度,在VGG16中加入了双路径连接块,最后将提取的50维先验特征与模型提取的特征进行融合。提出的肺结节检测算法在Luna16数据集上的ROC为0.92,表明提出的双输入单输出模型能够提高肺结节分类性能。（3）基于TKINTER框架设计肺结节检测与良恶性分类系统,可以帮助医生减轻工作量。