肺癌是目前较为常见且发病率较高的疾病。通常情况下,肺部某些细胞通过不规则生长所形成的肺结节是肺癌早期的征象,因此肺结节的检测在肺癌的预防与发现中具有重要作用。随着医学图像处理和人工智能的不断发展,深度学习在肺结节检测中取得了许多研究成果。但由于肺结节检测模型中存在特征提取感受野不足、模型计算复杂度高以及过拟合等问题,影响了肺结节检测的效果。针对上述问题,本文对肺结节检测方法进行了深入研究,提出了基于改进残差结构的肺结节检测方法。主要工作如下:第一,针对肺结节检测方法中网络结构复杂所导致的模型计算量大、过拟合等问题,提出了一种基于矩形卷积核、分组卷积和预激活操作的改进残差网络结构3D Res-I（3D Residual Improved）。将该结构与改进的U-Net结构结合,作为Faster R-CNN网络的特征提取部分,得到了基于3D Res-I结构的肺结节检测模型。该模型通过使用分组卷积减少了模型的计算量,降低了模型的复杂度;通过增加预激活操作改善了模型的正则化,缓解了过拟合现象;同时采用矩形卷积核在少量增加模型计算量的前提下扩大了卷积操作的感受野,有效地兼顾了肺结节的全局和局部特征。在LUNA16数据集上的实验结果表明,该模型提高了肺结节的检测精度,降低了平均假阳性个数和生成模型大小;同时通过直观地展示肺结节检测结果,进一步验证了所提模型的有效性。第二,为了进一步降低模型的复杂度和计算量,提出了一种基于深度可分离卷积的改进残差结构3D Res-DSC（3D Residual Depth Separable Convolution）,该结构采用深度可分离卷积替换3D Res-I中的分组卷积。将该结构应用于肺结节检测,得到基于3D Res-DSC结构的肺结节检测模型,该模型通过深度可分离卷积实现区域和通道相分离,从而大大减少参数数量和模型计算量。在LUNA16数据集上的实验结果表明,基于3D Res-DSC结构的肺结节检测模型在确保检测精度的前提下,进一步降低了肺结节检测模型的复杂度和计算量,将模型大小缩小了近10倍,实现了模型的轻量级发展,有助于模型的快速迭代。