肺结节是肺癌早期典型的表现形式,通过CT图像对患者肺结节早期检测与诊断在一定程度上可以降低患者的死亡率,但随着CT图像数据量的增长,影像科医生每天要阅读成百上千张CT图像,高强度的工作会导致医生的疲倦和劳累,容易产生错误判断。计算机辅助技术的出现为医师提供了辅助决策支持。为了更好地为医师提供决策辅助,本文基于卷积神经网络提出新的计算机辅助检测和诊断方法,卷积神经网络具有强大自主特征提取能力,在医学图像处理领域已成功应用。本文重点研究基于卷积神经网络肺结节检测和分类方法。本文主要工作包括以下两部分:（1）基于改进Faster-RCNN的肺结节检测方法。肺结节检测在肺癌诊断中至关重要,由于肺结节的尺寸大小不一,在CT图中肺结节的区域相对较小,很难提取具有辨识度的特征。传统方法检测率较低,并且过程比较繁琐,针对这些问题,本文设计了基于改进Faster-RCNN的肺结节检测方法,通过使用更具有辨识性、更全面的特征信息来提高检测精度。首先以Faster-RCNN作为主干网络,对主干网络里用于特征提取的VGG 16中加入注意力机制模块,可以增加较小结节的辨识度,其次将使用注意力机制模块提取的特征进行通道融合。融合特征图有高分辨率的包括低层特征、中间的补充性质特征以及高层的高语义特征,相对于原先单一的特征图语义更加丰富。通过大量的实验证明,本章改进的方法在LUNA16数据集上当每张CT图像上假阳性个数为4.0时,灵敏度达到93.5%,相对于其他的肺结节检测系统具有较好的性能。（2）基于DPN融合多尺度决策的肺结节分类方法。本文为了提高良恶性肺结节的分类准确率,设计了以双路径网络（DPN）为主干网络融合多尺度决策的肺结节良恶性分类模型,改进的网络模型可以学习更多与肺结节相关的特征。首先使用三维多尺度作为输入,可以充分利用结节空间上下文信息,然后通过双路径网络提取特征,最后通过分类器将各个尺度得到决策结果进行融合,决策融合结果作为最后该结节的良恶性预测结果。在LIDC-IDRI数据集上得到的AUC值为94.35%,准确率值为92.58%,实验结果表明性能要优于其他算法,对提高计算机辅助诊断准确率和鲁棒性有参考价值。