支气管扩张症是一种常见的慢性呼吸道疾病,严重影响了患者的生活质量,带来了沉重的社会经济负担。CT影像是医生诊断支气管扩张的主要手段,通过CT影像可以获得更多的肺部细节。但由于CT影像的特性,也给医生的诊断工作增添更多机械性的负担。随着人工智能的发展,可利用计算机视觉领域的目标检测技术辅助诊断支气管扩张,及时发现支气管扩张并减轻医生的负担。本文基于深度学习对支气管扩张的检测进行了相关的研究,将目标检测算法应用到了支气管扩张的目标检测和分类上,使用优化过的卷积神经网络实现对支气管扩张的病灶的定位。为了证明本文所提算法的有效性,使用中日友好医院所提供的由山东大学第二医院影像科医生标注的数据集进行支气管扩张检测模型的训练和测试。经过实验的证明与影像科医生的判断取得了较好的结果。因此,本文所提出的方法对于临床医学CAD系统的改进有着一定的实用价值。本文主要工作内容如下:（1）本文结合了动态大津阈值法和形态学方法进行了肺实质提取的任务。首先利用动态大津阈值法将CT影像二值化,使用连通区域分析法提取面积最大的连通区域得到肺部掩膜;利用形态学方法提取到肺实质。（2）对Mask R-CNN特征金字塔网络中anchor生成的机制针对支气管扩张的病灶特性进行了改进,提高了模型的针对性。选取适合支气管扩张病灶的锚点生成策略,将anchor生成的宽高比设置为[1:3,1:1,3:1],提高了支气管扩张病灶的检测精度。（3）对Mask R-CNN中生成多个anchor容易重复,导致重复建议甚至漏检的问题。本文对Soft-NMS算法进行介绍,引入Soft-NMS对Mask R-CNN进行改进,并通过实验验证了有效性。