肺癌发病率和死亡率增速居恶性肿瘤首位,早期病症极其隐蔽,患者往往错过最佳治疗时期。肺结节的早期检测和分类是诊断早期肺癌的关键。计算机断层扫描可以完整呈现病灶位置、纹理、形态等特征。然而每次扫描生成数百张灰度影像,人工阅片不仅浪费大量时间而且容易产生视觉疲劳,导致肺结节误检和漏检的发生。同时肺结节分类依赖自身内在的异质性,放射科医生仅凭视觉参数难以界定且诊断存在一定的主观性。所以研究智能化地肺结节计算机辅助诊断系统对提升肺癌早期筛查率具有重要意义。本文研究了基于注意力多尺度卷积神经网络的肺结节自动检测算法和基于三维交叉融合卷积神经网络的良恶性肺结节分类算法,实现了CT影像中肺结节的准确检测和良恶性肺结节的精准分类。主要研究内容与贡献如下:（1）针对CT影像中肺结节背景复杂、形状各异、微小肺结节形态与血管相似导致肺结节检测不准等问题,本文提出基于注意力多尺度卷积神经网络的肺结节自动检测算法。使用密集连接结构保证多尺度融合特征在网络中的转移和传递,减缓微小结节信息损失。针对不同特征的特点,分别引入空间注意力和通道注意力,挖掘肺结节与其他组织特征间的区别和关键特征间的主次关系。输入大量假阳性负样本减少网络参数,加快模型推理速度。通过LIDC-IDRI数据集验证,肺结节平均检测精度为94.98%,召回率为95.47%。（2）针对二维切片数据损失肺结节立体信息和肺结节密度、灰度、球形度等低层次特征对结节异质性表征不足问题,本文提出基于三维交叉融合卷积神经网络的肺结节良恶性分类算法。截取带少量背景信息边距填充为零的三维结节数据,充分提取结节立体特性,同时大量零值加快三维卷积的计算。交叉融合得到多尺度互信息特征组,增强高、低层次语义信息的表达能力。多个分类器模拟多位不同经验医生共同决策,提升良恶性分类精度。通过LIDC-IDRI数据集验证,该算法分类准确率为90.96%,AUC值为94.95%。