肺癌早期一般以结节的形式出现,结节经过一定程度的病变后才发展成为肺癌。目前,通过胸腺CT扫描出的切片进行肺结节检查是比较常见的方式。但是在进行CT扫描过程,每一个病例扫描后都会产生较多的切片。而医师在阅片过程中,时间往往被大量无用的切片所占据,真正包含肺结节的切片往往数量较少。因此,本文提出可嵌入影像系统的肺结节检测算法,旨在辅助医师进行肺结节检测,减轻医师阅片负担。本文研究的是基于卷积注意力模块的肺结节检测算法。通过在U-Net中嵌入卷积注意力模块,本文将其作为基础网络框架,替换掉3D Faster RCNN的卷积层网络结构来进行肺结节的检测。针对CT图像中出现的正负样本不均衡问题,本文提出了改进的损失函数。最后,为缓解模型训练过程中出现的收敛震荡的现象,本文采用层间自适应动量分离的方式,提出了基于动量项分离的优化器算法。本文的主要创新成果如下:（1）本文提出将最大池化和平均池化组成的空间注意力和通道注意力以残差连接的方式组成卷积注意力模块,并嵌入至U-Net的编码解码结构中,将该网络结构作为基础网络进行特征提取,随后进行区域候选网络的候选框提取,最终实现肺结节的检测识别。（2）本文针对CT图像肺结节检测中常见的正负样本不均衡问题,提出了改进后的损失函数,该损失函数在传统的交叉熵损失函数中添加两个权重参数,可通过进行权重参数的选取用以适应不同任务的需求,其用于肺结节检测能够有效改善检测性能。（3）本文针对传统优化器中存在的最优点震荡问题,提出了基于动量项分离的优化器算法。优化器作为深度学习网络中极其重要的部分,其影响参数的更新以及模型最终的收敛,进而影响模型的性能。基于动量项分离的优化器算法采用层间自适应动量分离的方式,降低过去累积梯度对当前梯度的影响,从而有效缓解局部最优点震荡问题。