肺栓塞是一种发生在肺动脉中的栓子堵塞疾病,发病率和死亡率都比较高,而及时的诊断和积极的治疗可以有效降低患者的死亡率。在临床中,CT肺血管造影（CTPA）是诊断肺栓塞的主要手段,在肺血管造影CT图像中,肺栓塞表现为明亮区域中间的暗区。然而,CT中常常存在很多具有类似特征的区域,这会为放射科医生的阅片带来一定程度的困难。阅片的准确性通常会受到医生的阅片经验、疲劳程度的影响,同时医生阅片也是一个非常耗时的过程。因此,如果能设计出性能优良的计算机辅助检测方法,会有效帮助放射科医生的阅片工作。现有的肺栓塞检测方法使用手工特征进行候选点提取和假阳筛除,由于这些手工特征表达能力有限,已有方法往往会存在假阳率过高的问题。为了解决这一问题,本文致力于设计一个基于深度学习的肺栓塞检测方法,使算法达到较高灵敏度的同时,能够保持较低的假阳率。遵循候选点提取和假阳筛除的思路,本文提出的肺栓塞检测方法包含三个阶段:基于3D卷积神经网络（3D CNN）的候选点提取、基于2D卷积神经网络（2D CNN）的假阳筛除和基于动静脉分离的假阳筛除。本文的主要贡献为:（1）3D CNN与2D CNN相结合,充分利用了3D CNN提取三维空间信息的能力与2D CNN减少分类网络参数量的优势;（2）为每个候选点实现了一个新颖的图像表达,有效将3D数据降维到2D,且最大程度保留了所在血管的图像信息;（3）设计了子树分离算法提取肺血管子树,使神经网络的预测结果在子树内进行校正,获得一致的动静脉分离结果。本文提出的肺栓塞检测方法分别在包含20例测试病人的肺栓塞挑战赛数据集和从本地医院收集的包含29例测试病人的肺栓塞129数据集上进行了评测。在肺栓塞挑战赛数据集上,本方法在08)8)定位误差下,平均每个病人的假阳数为2时的灵敏度达到75.4%,超过已有的方法;在肺栓塞129数据集上,本方法在08)8)、28)8)和58)8)定位误差下,平均每个病人的假阳数为2时的灵敏度分别达到76.3%,78.9%和84.2%。