肺结核是世界上第二大死亡原因,在传染病中排名第一。根据世界卫生组织(WHO)发布的全球报告,通过初期医治和合适治疗可以预防大多数结核病患者的死亡。但不幸的是,目前的大多数诊断方法的成本都不允许在受结核病影响最大的发展中国家大规模采用。结核病的诊断现在仍然是一项重大挑战,在目前的结核病分析方法中,胸部X光片具有快捷、方便、便宜等特性,常被用作大范围普查的手段。随着医学数据量的增加,放射科医师越来越难以对所有患者的胸部X光片维持同等的诊断效率和水平,从而迫切需要高精度的计算机辅助诊断体系来帮助放射科医师保持诊断质量。本文首先研究了卷积神经网络的基本结构及其在目标检测任务中的应用。同时,介绍了肺结核实验数据集,考虑到医学图像的特殊性,对肺结核胸片进行预处理,使肺部特征增强。接下来,研究了基于深度学习的肺结核自动检测算法,基础检测网络框架采取RetinaNet模型,实现多尺度检测。然后,针对原始模型漏检率高的问题,从网络结构、参数等角度提出了Anchor结构参数初始化方法、Anchor-Oriented算法以及新的困难学习样本挖掘损失函数对原始模型进行优化,有效降低漏检率,提高检测精度。本文融合胸部分割方法设计了一个高精度的肺结核分类网络,设计作为降假阳约束加入到检测网络中。肺结核分类网络由基于U-Net的胸部分割路径和特征提取路径组成,全局平均池化运算和全卷积层实现类别预测。通过完整胸片和病灶图像块作为分类网络输入从而有效的利用胸片的全局信息和局部信息。最后,为实现在不改变漏检率的条件下,降低模型误检率,将设计的高精度肺结核分类网络作为降假阳约束加入到检测网络中。当检测网络得到预测框之后,本文设计了一种有效的假阳约束算法,通过整合检测模型和分类模型的输出结果来获得最终的肺结核检测。本文提出的肺结核检测模型在两个测试集上达到了约92%的精确度。