肺癌是全球范围内发病率、死亡率最高的癌症,而肺部结节有成为肺癌的可能性。诊断肺结节“金标准”是病理诊断但获取样本过程为患者身体带来额外负担,因此初步诊断时通常对肺部进行CT扫描。随着CT技术发展,可扫描得到图像间隙不断变薄,影像质量不断提高,由一位患者可得到数百张高质量影像。但结合我国众多人口基数,观察大量影像找寻小结节以及诊断其良恶性的过程为医师带来非常大的工作负荷,也难免由于主观或疲惫而出现漏检和误诊。深度学习是近年来随着计算机硬件性能提高而其理论不断得到验证与发展的机器学习领域重要研究方向。其模仿脑神经的模型网络和由高等数学理论支撑的方法思想,使人工智能相关技术取得了很大进步。本文旨在对深度学习方法在肺结节检测及其分类的应用展开研究。在肺结节检测方面,本文着眼于肺部CT图像中肺结节区域较小且存在着大量结节类似物的特点——为检测区域较小结节应使用浅层特征图信息,而为区分类似物应使用深层特征图信息。为解决上述矛盾,本文提出“分离交叉金字塔”网络,设计网络中把生成目标预测框置信度与位置坐标的部分分离,并通过上下交叉接受不同深度的特征图。在肺结节良恶性分类方面,本文着眼于医师标注的结节语义特征信息是分类时可参考的信息之一——事实上在临床医学中相当多研究总结了结节语义特征与其良恶性的关联性。在设计模型训练过程中采用多信息融合方法,通过结合医师标注语义信息和肺结节图像提取特征,预测输入结节样本良恶性。