在肺癌早期利用肺结节图像帮助医生完成肺结节的发现和诊断对于病患的病情控制有着非常重大的作用。在实际医学诊断过程中,肺部CT图像数量庞大,导致影像科医生的工作压力巨大,进而出现误诊漏诊问题。利用海量肺部CT数据的肺结节检索通过查找与待诊断结节图像相似的图像来完成辅助诊断给予医生诊断意见为上述问题提供了决策支持。本文基于卷积深度神经网络,针对不同的数据类型检索需求,提出了两种肺结节CT图像检索模型,并在其中一种模型上进行了并行实现,使得满足海量数据检索需求。具体工作如下:提出基于2D卷积神经网络的肺结节检索特征抽取方法,并在此基础上对检索过程进行优化实现并行检索。针对肺结节尺寸大小不一的形态特点,设计了多尺度卷积再融合的模块来提升网络浅层特征提取能力;针对肺结节医学图像特征的抽取容易受到肺实质背景和其他噪声因素影响的问题,同时为了提升网络模型效率,引入SERes Ne Xt网络模块堆叠来组成网络主体部分;为了满足现实应用中对于海量肺结节图像检索任务的需求,运用Spark平台来完成检索任务中的特征相似度计算及排序,并完成算法优化提升计算效率,实现并行检索。实验结果表明,本方法检索性能高于其他方法,同时并行实现能够满足现实对于大数据量2D肺结节图像检索任务的需求。2D肺结节图像检索的优势在于其便捷、高效性,但忽略了切片数据之间的空间关联性,从而导致其检索结果的片面性和低精度性,相反3D肺结节图像检索性能更高但计算效率低下。基于此,本文提出了一种基于多视图特征融合的3D肺结节特征抽取方法用于在不降低检索性能的前提下提升计算效率。首先在网络浅层利用权值共享网络模块来完成视图级特征提取,然后针对不同角度视图对于最终描述符作用不同的特性,设计了一种基于距离的视图级特征注意力评分计算方法,同时针对肺结节特征容易受到背景及噪声因素影响而引起表现力不足的问题,设计了一种基于通道信息的通道注意力评分计算方法,最后通过使用上述两种注意力评分来完成最终特征描述符的特征重调,从而得到更具辨别力的特征描述符。实验结果表明,提出的方法在与现有方法相比拥有相似的高检索性能表现的前提下,参数量更少,拥有更好的计算效率,能够满足现实3D肺结节图像检索任务需求。