在众多的目标检测算法中,深度学习可以有效地识别病变区域并提高其检测精度。当前,基于深度学习的目标检测算法只是从图像的角度对某一组织或器官进行检测,却忽略了各个相关部位之间在密度、亮度及纹理等特征上存在一定的关联,并且病变区域在各个阶段也存在较大的差异。因此,本文采用双重机制提高算法对于病变区域的特征提取能力,并且运用多模态技术将图像信息与文本信息进行融合,设计基于双重机制与多模态的CT影像病变检测方法以及相应的病变检测系统。具体工作描述如下:1)为了有效提高病变检测过程中背景与病变区域的区分能力,提出一种基于双重机制特征提取的CT图像病变检测方法。首先,在传统YOLOv3网络中引入改进的注意力模块和全局上下文模块,提高网络对病变区域及背景区域区分能力。其次,在多尺度融合过程中,对低层的高分辨率特征图进行下采样,并与相对高一层次的特征图逐元素相加,充分利用高分辨率特征图中小病变信息。最后,在Deep Lesion公开数据集上与多个相关检测方法进行了实验对比。通过实验发现,该方法在病变检测任务上取得了良好的性能。2)为了充分地挖掘有效特征以及在病变检测过程中运用临床数据,提出一种结合特征组合模块的多模态肝脏病变检测方法。首先,在YOLOv3网络中添加特征组合模块提取病灶特征,充分利用病变区域的有效特征;然后,使用BERT网络对文本进行特征提取,并将提取到的文本特征信息与图像特征信息融合,辅助图像特征进行检测;最后,使用GIo U位置损失函数为本文数据集设置特定的锚框,提高定位准确度。实验表明,所提方法在肝脏病变检测方面取得了良好的效果。3)为了更好地辅助医生进行病变检测,设计并实现了一种多部位病变检测系统。该系统采用改进后的YOLOv3模型进行病变检测。整个系统包含登陆模块、检测模块和管理模块三个功能模块。该系统能够较好地满足医生的需求并且在多部位病变检测中具有较好的检测准确率。