近年来,无线胶囊内窥镜（Wireless Capsule Endoscopy,WCE）针对小肠疾病的检查,克服了传统消化道内窥镜的不足,凭借其无痛无创等特点,在临床上消化道、特别是小肠道检测中得到了广泛的应用,并成为消化道检测的首选设备。然而,WCE所拍摄的影像数据量庞大,使得临床阅片工作成为一项任务量巨大、且极易造成对病灶的漏检与误检的过程。针对该问题,研究出一种从WCE影像序列中自动化检测小肠道病灶的算法模型具有十分重要的临床意义和应用价值。本研究聚焦小肠占位病变的检测,提出一种基于双阶段深度学习网络的WCE影像序列小肠道占位检测方法。本研究所提出的双阶段深度学习网络,分为占位病灶检测网络（阶段一）和占位病灶识别网络（阶段二）,二者级联组成本文整体的检测框架。其中,占位病灶检测网络在传统Faster R-CNN网络的基础上改进了特征提取模块与检测模块,并重新调整了区域建议模块中锚点的参数,完成了WCE图像序列小肠道占位病灶的筛查检测。实验结果表明,所提出的改进网络针对疑似病灶的建议性区域的提取效果优于传统Faster R-CNN网络,其敏感度为98.37%、假阳性为6.59%和准确率指标为93.42%,而在占位图像的检测结果上敏感度为98.28%、假阳性为6.3%和准确率为93.71%。其次,结合残差结构和特征金字塔结构,搭建基于特征融合的小肠道占位病灶识别网络,目的是进一步使占位病灶检测网络中占位图像的假阳性率下降。为了综合检测网络和识别网络的性能,本研究采取级联机制来提升整体的检测效果。实验结果表明,本论文所提出的检测网络模型在针对疑似病灶的建议性区域的提取时的敏感度为98.81%、假阳性为7.43%和准确率指标为92.57%,而在占位图像的检测结果的敏感度、假阳性和准确率的指标分别为98.75%、5.62%和94.39%。最后,为了使得本论文的方法得到快速应用,结合Django开发框架,完成了一款基于WEB框架的WCE小肠道占位病灶的自动检测软件。该软件能够接收临床医生提交的WCE图像,并快速地返回自动检测后的检测报告。