随着经济社会的快速发展，人们日常生活也日渐被污染等问题围绕，加上城市空气质量的下降，雾霾的天气现象频发，以及人们自身对烟草的不节制等种种行为，导致了肺癌成为了对人类健康生命的巨大威胁。而对于癌症的诊断治疗的最有效也是最低成本低负担的办法就是提前做好预防工作，尽早地进行肺癌的诊断与治疗。肺癌的早期表现形态为肺结节，相较于其它人体正常的器官，软组织等并没有明显的差异，其多存在于肺组织的内部，在实际的医疗诊断中需借助仪器设备进行成像才能发现。深度学习的算法是目前研究与应用的热点，通过深度学习的方法可以设计多层的网络结构模型并让计算机自行实现特征的提取，既减少了人工的参与同时也能满足对大量数据处理训练的需求。深度学习的智能算法已经广泛地运用于多个实际的应用领域，其在医学方向对医疗图像的分析处理也取得了很好的效果和收益。本文主要研究了计算机扫描CT图像的肺部结节检测方法，其主要内容如下：
　　（1）分析研究基于CT技术成像的肺结节检测系统，提出改进网络深度的卷积网络模型用于实现肺结节的检测。在该模型首先对获得肺部CT图像执行简单的预处理，并对图像内的感兴趣区域进行数据的增强。然后将训练数据作为模型的输入，用来训练的卷积网络模型实现对原始的肺部CT图像进行疑似候选的肺结节的分割与提取。在搜集到的数据库进行实验，结果表明该方法相比于原模型的检测结果可有效地将影像中的肺结节检测出来。
　　（2）通过研究CT图像的肺结节检测的分类识别，发现检测识别的结果中会有较高的假阳性。并通过研究模型融合的方法，发现可以有效改善假阳性。由此本文采用了模型融合的卷积网络结构的分类模型。在每次模型训练结束后，引入boosting方法，每次将错分类样本重新分配权重，继续训练模型得到最终的检测结果。实验检测结果表明了相比于一般的卷积神经网络，提出的模型融合卷积网络可对检测结果的假阳数进行有效的降低，模型实现了更高的肺结节的检测性能。
　　（3）由于医学领域中可用于实际研究的图像的特殊性和数量的稀缺，所以可获得用于进行研究实验的数据集较少。通过对生成对抗网络的研究，发现其可以有效的仿造真实样本，从而有效扩充研究对象。对此本文分析研究了利用生成对抗网络模型用于数据增强的方法来改善对CT图像的肺结节检测模型的性能。该方法首先根据标注信息，切割肺结节立方块，然后送入GAN网络模型训练生成更多的“真结节”。扩充了一定量的正样本的数据集后，再将其应用到卷积检测模型中实现对肺结节的检测。以LIDC数据库的图像数据作为样本进行了实验，从检测的结果看，肺结节的检出率可满足实际的要求。