社会发展和工业化进程中人居环境和生活习惯的滞后,导致癌症越来越威胁到人民的生命健康和生活质量,肺癌是其中发病率和死亡率最高的癌症之一。如果能在肺癌的早期及时发现并充分治疗,肺癌死亡率可以得到显著降低,患者的5年存活率将得到很大的提高。胸部计算机断层（Computed Tomography,CT）扫描是早期肺癌的主要检查方式,但是CT影像数量巨大而有经验的放射科医师数量不足。长时间阅片容易导致工作负担的加重和工作效率的降低,且容易出现误诊和漏诊的情况。现阶段基于深度学习的肺结节检测和分割以及肺结节分类方法具有模型设计复杂,精度低的缺点。因此,本文主要围绕基于注意力特征融合的多任务肺结节检测和分割方法以及基于多尺度卷积神经网络的肺结节分类方法进行研究,并且基于上述方法设计了一个肺结节CT图像辅助诊断分析系统。本文主要研究内容概述如下:（1）针对肺结节检测和分割方法模型精度低且计算复杂度高的问题,提出一种端到端的基于注意力特征融合的多任务肺结节检测和分割算法。首先,该方法采用一种多任务学习模型进行建模,实现模型特征信息共享和计算复杂度降低。其次,提出了多尺度通道和空间注意力机制进行通道和空间关注,并实现了一种残差注意力特征融合模块,该模块能够更好地实现语义和尺度不一致的特征融合。最后,设计了一个自适应多任务损失函数,能够通过约束条件平衡主任务和辅助任务的权重量级平衡不同类型的任务,避免在训练过程中整个网络被简单任务主导并导致任务之间的性能巨大差异。在LIDC-IDRI数据集上对该方法进行了验证,结果表明本文提出的算法可以提高肺结节检测和分割的精度,与现有的相关算法相比均取得了较好的效果,并且能够实现肺结节检测和分割性能的平衡。（2）当前基于深度学习的方法取得了不错的效果,然而手动设计复杂的网络架构非常耗费资源,且严重依赖于研究人员的知识和经验。现有的基于深度学习的方法参数众多,无法很好地解释每个参数的含义以及模型的运行机制,具有较差的可解释性。针对上述问题,本文提出一种基于神经架构搜索的肺结节分类方法。首先,利用神经架构搜索技术设计高效的3D分类网络结构,以注意力残差cell作为搜索空间的基本单元使用偏序枝剪方法作为搜索策略,已达到网络性能和搜索速度的平衡。其次,在网络中使用多尺度通道和空间注意力模块来提高特征描述和类别推理的可解释性。最后,将搜索到的网络架构采用堆叠法进行多模型融合,以获取精准的肺结节良恶性分类预测结果。本文在公开数据集LIDC-IDRI上进行了广泛的实验,通过和最新方法的对比,表明了本章提出的基于神经架构搜索的肺结节分类方法具有较好的分类性能和较快的收敛速度。（3）设计和实现基于web的CT肺结节辅助诊断系统,系统由图像获取模块、肺结节检测和分割模块、肺结节分类模块和智能分析模块组成。医生首先登陆系统并通过图像获取模块实现患者病例数据获取功能。然后依次使用预先设置的肺结节检测和分割模块、肺结节分类模型进行自动诊断并返回诊断结果,实现肺结节自动检测、分割和分类功能。智能分析模块通过展示肺结节自动诊断结果实现辅助医生进行阅片和临床诊断的功能。该系统实现了对CT图像中肺结节的自动筛查和诊断功能,帮助影像科医生提高诊断效率和降低工作量。