肺癌是由一种异常生长的微小病灶发展形成的疾病,这种病灶称为肺结节。肺癌的早期症状不明显和感冒症状相似而易被忽略。在早期检测出癌变的肺结节是预防肺癌的最佳手段。基于卷积神经网络的检测模型已广泛应用于肺结节诊断领域。但在候选结节检测方面,不可排除有些病例样本的微小结节依附于周围组织上,从而不能完全捕捉到明显的肺结节特征,造成漏检。有些非结节形状和结节在形态上类似,算法很难将其区分开,从而造成检测出来的假阳性结节较多,会造成误检导致检测效果差。待分割的肺结节太小,在医学图像上检测出的肺结节大部分在5mm左右,还有更多的在3mm左右,会出现小样本难挖掘特征信息等现象,无疑增加了检测的难度。因此本文根据上述问题,提出了一种肺结节检测算法,主要研究内容如下:（1）在特征提取方面,本文选用U-Net网络作为骨干网络,采用具有Res-Net结构的编码器,该网络不仅可以提高模型对医学数据空间特征的提取能力,还能缓解深层训练时会出现的梯度消失问题。为了解决肺小结节难检测的问题,在U-Net网络的高层添加了通道注意力来提取纹理信息,在低层添加了空间注意力来提取位置信息,主要作用是加强特征传递和复用,突出有用特征,抑制不必要的特征,从而实现对特征的有效利用。为了更好的提取不同尺寸肺结节的特征,还在模型的最后添加了金字塔多尺度融合机制。通过多种卷积的并列和组合,拥有了不同大小的感受野,从而使网络能够更好地提取到不同尺度下的肺结节的特征。在假阳性降低阶段将通道和空间融合机制（Convolutional Block Attention Module,CBAM）添加到卷积神经网络中。改进后的网络模型能很好的检测到肺小结节。（2）针对检测网络复杂、参数多等情况,本文改进了残差块,首尾两端使用1×1×1的小卷积,相比于原来3×3×3的卷积核,减少了参数量,缩短了训练和测试的时间,并且在每一层卷积之后都进行激活和最大池化操作。最后,用预处理之后的数据集训练改进后的网络模型,再对模型进行测试。最后在LUNA16数据集上做了对比实验、消融研究、十折交叉验证。结果显示,本文算法得到了比较高的灵敏度,相比其他算法,本文算法获得了更好的检测结果。