肺癌是全球致死率较高的一种癌症,IASLC（国际肺癌研究协会）研究表明:随着肿瘤的不断增长,患者的死亡率会逐步上升。对肺癌患者来说,及时地诊断和治疗可以有效提高存活率。肺结节作为肺癌发病初期的临床表现,在肺癌早期的筛查中起到至关重要的作用。近些年,随着影像学成像技术的不断发展,更薄层的成像能够提高肺结节筛查的准确度,从而造成了肺部影像和诊断报告呈指数增长,大量的数据增加了医生诊断的难度。将深度学习应用到肺结节的筛查中,有效的减少了医生阅片的工作量并降低了肺结节筛查的误诊率和漏诊率。本文根据肺结节X线影像的成像特点,在肺结节的检测上进行了研究和大量实验,在YOLOV3的基础上进行改进,并基于改进后的模型搭建基于深度学习的肺结节筛查系统（LNSS,Lung Nodule Screening System）,其中还加入了病人信息管理模块,可以方便医生对系统的使用。本文的主要工作包括:1、本文对肺结节筛查的相关算法进行了研究,通过对目标检测算法的分析,结合肺结节成像的特点,基于YOLOV3算法,针对肺结节成像存在尺寸小、肋骨遮挡等特点,提出一种能够用于肺结节检测的算法（nodule-YOLOV3）,将经过预处理的肺结节X线影像输入到nodule-YOLOV3的网络中得到肺结节的预测结果,经实验验证:nodule-YOLOV3的平均检测准确率（mAP）是61%,与YOLOV3相比,nodule-YOLOV3算法平均检测准确率提高了 3%。2、本文基于软件工程规范,分别阐述了系统的需求分析、设计、实现和测试。具体使用Flask后端框架和Bootstrap前端完成系统的开发,系统主要提供了医学影像肺结节筛查、结果可视化、病人管理等多种功能。将nodule-YOLOV3模型应用于LNSS中,能够完成对肺结节的检测,实现肺结节筛查的功能。最后是系统的测试,保证了系统功能的完善。