肺癌是我国最常见的恶性肿瘤之一,其死亡率高居癌症死亡的首位。肺结节作为肺癌的早期表现形式,对其有效的检测是提升患者存活率和生活质量的关键。目前肺结节的主要影像学检查手段为计算机断层扫描（CT）,但由于人工诊断多依赖于医生经验和工作状态,仅依靠人类视觉系统观察容易导致漏诊率和误诊率上升,对肺结节自动检测算法的研究具有十分重要的意义。得益于深度学习的快速发展,深度卷积神经网络相比于传统方法具有更强大的特征表达能力,在医学图像领域得到了越来越广泛的应用。本文基于卷积神经网络对肺结节检测技术展开研究,主要贡献如下:（1）提出了一种阈值化与形态学策略用于肺实质分割。为了排除血管、器官、骨骼等不相关组织或区域对肺结节检测带来的干扰,本文基于LUNA16和天池数据集,对图像阈值化和形态学方法展开研究并进行整合,形成了适用于所有CT影像格式的预处理流程。（2）提出了一种基于三维多分支编解码结构的肺结节检测模型。针对肺结节检测网络在单一感受野下的尺度感知能力不足问题,本文对类U-Net结构的基础检测模型进行了细致的研究和理论分析,采用三条不同感受野的并行编解码结构分支和权重共享策略来综合不同分支对不同尺度目标结节的敏感度,最终在平均每个病例8个假阳性的条件下达到了95.5%的检测敏感度,CPM达到0.875,在领域内处于领先水平。（3）提出了一种基于多尺度注意力特征融合的肺结节检测模型。针对传统多尺度融合方法和二维注意力机制的局限性,本文引入了多尺度通道注意力模块来结合局部和全局通道上下文自适应地学习有效特征信息,并将其扩展为同时适用于跨层连接和残差连接的特征融合模块,最后结合多分支编解码网络形成一个基于单阶段任务的端到端检测模型,CPM达到了0.884,进一步提升了检测性能。最后,本文利用上述提出的模型和方法,基于Py Qt5设计并实现了一个肺结节计算机辅助诊断系统。该系统拥有肺结节检测和肺结节良恶性诊断两大核心功能,具有一定的临床应用价值。