肺癌是癌症死亡的主要原因之一,这与性别和种族无关。诊断肺癌的困难在于早期阶段并不会表现出任何症状,有七成左右的患者直到晚期才被确诊。低剂量螺旋CT作为最灵敏的成像方式之一,因为其采集速度快、成本较低等竞争优势被广泛使用。它在减少辐射对患者身体损害的同时还能够对肺结节作出精准的诊断。目前计算机的计算能力正在飞速提升,人工智能已经从传统的基于手工特征描述符的机器学习方法转变为深度学习方法。利用深度学习技术进行肺结节检测,对于肺癌早期的排查和治疗具有重要意义。为此,本文提出了一种基于改进CNN和低剂量CT图像的肺结节自动检测算法:（1）图像预处理。本文主要使用的是LUNA16公开数据集,首先根据肺部CT值进行截断操作实现对肺实质的粗提取,然后利用归一化操作降低因采集图像CT扫描仪型号不同带来的负面影响。再利用k-means算法区分前景背景生成mask图像。最后通过mask图像的帮助进行肺实质分割,并通过腐蚀与膨胀操作对肺实质区域进行平滑处理达到最终结果。（2）提出了改进的cascade-rcnn候选结节筛选网络。本文首先运用预训练好的vgg16模型作为基础结构进行特征提取。为了利用特征通道间的相互依赖性,在vgg16网络内部添加了SENet模块;针对肺结节形状不规则的问题,采用了可变形卷积进行特征图提取;针对肺结节尺寸差异较大的问题,采用特征融合的方式对网络进行改进。在区域提案网络中,为了适应肺结节这种小目标检测,修改了锚框尺寸。对于感兴趣分类器,为了能够更好地发挥IOU的作用,本文采用cascade-rcnn提取更高质量目标。（3）提出了一种基于3D CNN的改进假阳性减少网络。针对肺结节尺度的多样性,本文采用了SE-Res2Net提取特征图。为了改善信息流并且提高网络的训练速度,本文使用了M&R模块进行优化。为了提升小结节的分类准确率,本文提出了一种并行池化操作:利用中心裁剪的方式降低特征信息消耗,提高网络的分类准确率;利用最大池化操作进行下采样,保证大结节边缘信息没有损失。总体来说,本文通过对低剂量螺旋CT图像和卷积神经网络（CNN）的研究分析,提出了一种更加精准高效的肺结节检测方法。经过实验表明,本文提出的方法相较于其他方法而言有一定优势,能够很好的辅助放射科医生进行诊断工作,进而提高肺癌患者的存活率。