肺癌是致死率最高的癌症之一,在肺癌的早期阶段检测肺结节对于提高患者的存活率至关重要。人工诊断多基于医生的经验积累,且费时费力,因此计算机辅助诊断逐渐应用于影像学,传统计算机辅助诊断方法主要依赖多种不同的滤波器来检测不同类型结节的边缘、纹理等特征。近年来,计算机辅助诊断系统借助神经网络强大的图像表达能力,能够准确快速地定位和识别病灶。在肺结节检测课题中,精准检测肺结节,特别是早期肺结节(小结节)同时减少假阳性输出是研究的关键。目前使用神经网络检测肺结节的方法大多在单层特征图上来进行,这不利于小目标的检测。本文基于阿里-天池2017大数据竞赛提供的数据库,针对胸部CT图像的特点和同时检测大小目标的需求,对CT图像数据的预处理和基于多层特征图的结节检测及识别算法展开了如下研究工作:1.分析CT图像与通常数字图像的区别,基于肺部CT图像的特征,本论文设计了一种由不同形态学操作组合而成的CT图像预处理流程。2.针对肺结节检测任务目标相对单一,背景相似的特性,研究了不同尺度的特征图对检测效果的影响,在多层特征图检测网络SSD、MDSSD的基础上,提出了多层特征图组合优化方法,并通过特征图的选择和组合来优化神经网络模型。与原版多类别检测网络相比,优化后的网络检测精度更高,假阳性更少,占用的计算资源也更低。3.针对检测网络训练中正负样本不平衡的问题,本文在损失函数中加入了一个平衡参数来调整正负样本在训练中的权重。相比于原模型中使用的损失函数,优化损失函数后的网络收敛更好,且结节判定的置信度更高。最后,为了减少最终输出的假阳性数量,也为了整体流程的完整性,本文还设计了一种基于集成学习和神经网络的假阳性删减流程。通过上述研究,本论文优化了多层特征图神经网络在肺结节检测中的性能,其检测敏感度可以达到95%左右,处于业界领先水平。