肺癌是发病率和死亡率均排在所有肿瘤疾病第一位的恶性肿瘤。由于近年雾霾情况愈演愈烈,罹患肺癌的人数逐年递增,社会对此的关注日益增加。研究发现,在肺癌早期进行有效治疗能提高65%的五年存活率。肺癌患者早期外表无明显病症,肺癌早期是通过肺结节的形式体现的,所以对肺癌早期的诊断就是对肺结节的筛查,因此对肺结节进行有效筛查意义十分重大。本文首先创建了低剂量CT肺结节数据集,以低剂量CT的肺结节为研究对象,以深度学习方法Faster R-CNN算法为技术手段,旨在为医生提供效率更高的的辅助诊断方案,为后续的有效治疗奠定基础。目前基于Faster R-CNN的肺结节检测存在三个问题,第一,特征提取网络在提取结节特征上能力偏弱;第二,区域推荐网络锚框与肺结节数据集不匹配;第三,分类回归网络选取难例方式不具备代表性。针对上述问题,本文提出基于Faster R-CNN的改进算法,较好地解决了这三个问题。论文主要工作有如下四个方面:首先,构造适用于深度学习的低剂量CT肺结节数据集。首先根据LIDC数据集坐标信息筛选出带有结节的CT图片,将CT图像转化可输入卷积神经网络的PNG格式;其次利用结节坐标信息对带有结节的图像进行标注;最后通过水平翻转进行数据扩增,构成能输入目标检测框架的肺结节数据集。其次,针对特征提取网络在提取结节特征能力不足的问题,本文首先选择Resnet101替换VGG16作为Faster R-CNN的特征提取网络,其次为增强特征网络的学习能力,引入通道注意力机制SENet,并在其基础加入二阶响应变换策略,构建了改进的特征提取网路。经过这一步的改进,增强了Faster R-CNN特征提取网络的特征提取能力,提高了2.92%的肺结节检测精度。然后,针对区域推荐网络锚框与肺结节数据集不匹配问题,本文通过K-Means++聚类方法完成肺结节数据集的先验信息分析,并根据聚类结果重新设定锚框大小和比例,实现对区域推荐网络的改进。经过这一步改进,解决了锚框设定和数据集不匹配问题,在保证肺结节检测精度的基础上缩短了检测时间。最后针对分类回归网络选取负样本时未考虑难例问题,本文在分类回归网络中引入在线难例样本挖掘算法(Online Hard Example Mining,OHEM),将负样本通过完全在线的损失排序法筛选出难例,然后让网络学习经筛选过的难例,实现对分类回归网络的改进。经过这一步改进,提高了分类回归网络对难例负样本的检测能力,提高了肺结节检测精度。