准确识别计算机断层扫描图像上的恶性肺结节中是早期发现肺癌的关键。但这是一项繁琐和困难的任务,因为需要放射科医生手动标记结节位置。随着深度学习技术的引入,基于卷积神经网络的计算机辅助结节自动检测系统被开发用于肺癌早期的检测和分类筛查过程,显著地提高了放射科医生的诊断质量和效率。本论文重点研究了基于3D卷积神经网络的肺结节检测以及分类方法,研究工作主要分为以下两个部分:（1）基于双路径U-Net网络的CNN的肺结节检测模型。本文提出了两阶段的卷积神经网络（URCNN）用于结节检测,第一阶段采用U-Net网络设计与DPN模块相结合的方式,对肺结节的特征提取。在下采样和上采样路径之间有快捷连接,能够提供更多的空间信息,同时借助DPN模块探索潜在新特征和同一模块卷积层之间的特征共享。然后,得到最佳的细粒度特征图输入第二阶段的结节检测网络,第一步是RPN利用特征图生成不同形状和尺寸的候选结节;第二步是对候选结节分类以及边界框回归。与经典的Faster R-CNN模型相比,能通过实验证明本章模型检测效果明显提高。大量实验表明,该模型能在每次扫描FP个数为4.0时,灵敏度达到96.3%,并且CPM（Competition Performance Metric）分数为0.899。此外,对第一阶段的U-Net子网络部分的分割性能进行测试,得到Dice分数为82.36%。证明本模型能够有效提高检测精度以及降低假阳率。（2）基于通道注意双路径网络的结节分类模型。肺部结节通常带有复杂的背景环境和相似度很高的无关组织。针对该问题,该模型提出了一种新颖的融合通道注意机制的双路径网络结构,能够通过双路径的残差连接和密集连接,做到避免梯度消失以及网络层间上下文信息的有效传递,然后结合挤压-激励模块实现三维空间重要通道信息感知以挖掘肺结节及其周围环境的语义信息,从而高效地区分不同分辨率和尺寸的肺结节。引入注意机制能够自动保留双路径网络层输出的有益特征,同时忽略无关的特征以增强融合部分网络使用这些特征的能力。在LIDCIDRI数据集上,该方法的平均灵敏度达到97.42%并且AUC分数为98.60%。实验结果表明了该模型在肺结节分类任务上性能突出。