肺癌是一种发病率高且死亡率高的恶性疾病。作为肺癌的一种早期症状,肺结节的出现预示着肺部细胞正在逐渐发生癌变。肺结节一般为椭圆形或不规则球形,不同大小、形状、密度分布、生长速度的肺结节对应着不同的肺癌发病率,因此,针对肺癌的早期诊断,肺结节检测是一种有效的方法。利用计算机进行肺结节检测方法的设计与优化一直是各领域专家学者不断探索的方向,它能够缓解因医生人工分辨而带来的医疗资源紧张的问题。随着深度学习的出现,基于深度学习的肺结节目标检测方法也随之得到发展。基于深度学习的肺结节检测方法相对于传统方法在精确率和速度方面有了很大的提升,但是由于网络结构的原因,对于小型肺结节的检测仍然存在灵敏度低、精确率低等问题。尤其是对于粘连型肺结节,很难有准确的检测结果。针对这些问题,基于Faster R-CNN,设计出了一种特殊的上下文感知网络来检测肺结节。首先使用LUNA16数据集,对输入的数据进行预处理,并且针对数据分布不均衡等问题,提出了新的数据增强方法,扩充了数据量的同时也平衡了样本分布。其次,本文对网络模型进行了改进,通过优化参数和优化网络模块两个方面,进行多次纵向的对比实验,选取了效果最好的网络参数与模块,使其更好地适用于肺结节检测工作中。再次,使用平均精确率作为评价指标,通过与其他目标检测常用的单阶段检测方法结果与近年来其它较好的方法进行了对比,验证了本文所用方法的先进性。实验结果也证明了本文提出的方法有较低误报率、高精确率的特点,虽然检测时间稍长但仍然有较高的实用性,为小型肺结节检测精度低的问题提供了理论依据。最后,基于本文使用算法的基础上,开发了一个肺结节自动检测系统。该系统使用基于python开发的Web框架Django,医生在该系统通过简单的操作就能观察到肺结节出现的位置,而且在平台中可以实时管理病人的信息,方便医生的跟进治疗。