在临床医学中,使用计算机断层图像（Computed Tomography,CT）进行辅助诊断与治疗已非常常见,通过计算机断层图像技术获得患者的身体信息可帮助医生快速,准确的找出患者患病区域与存在的问题,尽快安排治疗方案,帮助患者早日摆脱病魔的困扰。随着计算机技术与人工智能技术的发展,通过计算机对医学图像进行处理,帮助医师快速准确的检测患者病因已获得多方关注,其中,为保证后续诊断的正确性,应当将计算机关注的焦点聚焦在患病器官上,这就需要快速准确的对器官进行定位,这样才能减少其他健康器官对诊断结果的影响,提高医生的诊断精度与效率。所以本文提出一种基于分类分数重排和卷积神经网络的三维CT胸腹器官检测方法。首先,本文对当前器官检测算法进行改进,由于当前的器官检测算法通常为单阶段的器官检测算法,是通过对医学图像进行特征提取后直接获得图像中的器官类别与边界框,这会导致产生的正负样本不均衡,本文将单阶段的检测算法改为双阶段的检测算法,第一阶段产生器官可能存在的区域,第二阶段对这些区域进行分类,找出各个区域属于那些器官,保证器官可以被检测出来。其次,为了减少由于不同大小,不同长宽比的器官与预设锚点之间不匹配的问题,减少网络设计的超参数,本文对基于锚点的区域推荐网络进行了改进,提出了基于热力图的区域推荐方法,改进后的方法的优势在于网络不需要对不同大小,不同长宽比的器官分别预设锚点的大小与长宽比,而是直接回归当前特征点是器官中心的概率以及当前点到器官边界框的距离,减少了网络设计的超参数。第三,由于神经网络自身特质决定的分类精度高于回归精度,导致检测出的器官的边界框与器官的真实边界框之间存在较大差异,本文通过对推荐区域进行分类分数重排,使得边界框回归更好的区域可以被第二阶段选中,增加检测器的检测精度。第四,使用基于热力图的区域推荐网络导致的体积不同的器官回归速度存在差异,导致网络训练时间增加,本文通过对损失函数的权值进行调整,使得体积较大的器官获得较大权重,帮助网络快速收敛,最终在数据集中获得精度的提升。