肺癌是一种恶性肿瘤,大部分患者在发现时已经是中晚期,导致后续的治愈率不高,目前,肺癌的发病率仍然居高不下。肺癌的早期临床诊断方式主要是通过肺结节的形状进行判定,但由于肺部中的肺结节形状各异,且分布十分不均匀。单纯的依靠医生进行诊断会加重其工作量从而影响诊断的效果。本文主要是结合图像处理和目标检测算法设计肺结节检测网络,实现肺结节检测的自动化,首先进行CT（Computed Tomography,CT）图像分割,获取更易分辨的肺实质区域;然后利用改进的目标检测算法对结节进行识别与定位分析,最后设计一套自动化检测系统辅助医生进行医学诊断。具体工作如下:（1）传统的肺实质分割方法无法完整地提取肺实质区域,会对后续的肺实质检测造成一定的影响,因此本文提出了基于大津法结合交替的形态学运算的肺实质分割算法,可以将肺实质和周围区域分割开来,获得较好的相似度系数,得到更完整的肺实质区域。（2）针对肺结节的检测,本文设计了基于YOLOv3网络的肺结节检测算法,主要从两个方面进行算法的优化:一是引入混合扩张卷积块替换YOLOv3特征提取网路中的卷积批归一化激活层,并将主干特征网络输出的最浅层的特征层（52×52×256）和紧邻它的上一层特征层（104×104×128）进行特征堆叠,提高算法对小目标肺结节的检测精度,减少肺结节的漏检率;二是针对训练过程中正负样本不平衡的问题引入基于交叉熵改进的Local Loss损失函数,可以修正模型梯度的更新方向。最后在实验部分进行了多次的对比分析,得出本文所提出的肺结节检测网络的检测精度达到了95.02%,比改进前的网络提升了6.02%左右,具有较高的检测精度。（3）基于YOLOv3的肺结节检测算法,本文设计了一套肺结节辅助检测系统,在一定程度上实现了肺结节检测的自动化,有助于医生减少繁重的工作量。本文以CT图像中的肺结节为研究对象,先后完成了CT图像分割和结节检测工作,并设计了自动化的辅助检测系统,有着较好的应用价值。