全球十大最常见恶性肿瘤中,肺癌以18%的死亡率位居癌症第一位,以11.4%的发病率位居癌症第二位。肺癌对人类的生命和健康构成了巨大的威胁,早筛查、早诊断和早治疗是提升患者存活率,降低死亡率的最有效手段。CT影像是临床医生用来筛查早期肺癌最常用的影像学方法,肺结节是肺癌影像学上的最显著表现。临床人工筛查的方式会增加医生的阅片负担和工作压力,导致肺癌筛查结果的漏诊和误诊。基于CT影像的肺结节智能筛查和诊断算法研究对辅助医生挽救肺癌病人的生命具有十分重要的意义。鉴于此,将肺部CT影像作为研究对象,结合肺结节的影像学征象,本文展开了对肺结节智能检测和良恶性诊断算法的研究。主要研究工作如下:（1）针对肺癌智能筛查系统自动化水平弱,检测精度低且检测效率慢等问题,设计了一种平衡平均精度和效率的肺结节检测算法。以YOLOv4算法为基础,通过设计深度超参数化卷积层,卷积注意力模块、聚焦损失函数三种策略提升肺结节的检测正确性,采用Network Sliming策略裁剪模型的冗余卷积核提高检测效率。LIDC-IDRI数据集上的实验结果表明,本文所提出的算法具有较高的检测正确率和检测效率。（2）针对肺部CT影像数据分布不均衡,及三维卷积神经网络的设计复杂性过高问题,设计了一种基于神经架构搜索的三维肺结节良恶性分类算法。基于偏序剪枝搜索策略,依靠数据驱动,让计算机自适应的搭建最符合CT影像数据分布的网络结构;本文还设计了跨维度交互的Quadruple Attention模块,来增加三维分类网络对肺结节的特征提取和特征表示能力。LUNA16数据集上的实验结果表明,本文所提出的算法具有较好的分类准确性和自动化性。（3）模拟临床医生在肺癌诊断中的‘专家会诊’方案,设计了一种基于集成学习的多模型分类结果融合决策方法来提升诊断可靠性。本文将神经架构搜索的多个模型作为基分类器,依靠不同基分类器所学习特征的差异性和互补性,使用集成学习策略融合多个模型的良恶性诊断结果。LUNA16数据集上的实验结果表明,本文所提出的算法具有较好的分类准确性和可靠性。