肺癌是我国发病率以及死亡率最高的癌症之一,其早期病灶以肺结节的形式出现,因此,对于肺癌的早期检测即为对肺结节的检测。实际医学工作中,放射科医生的数量和影像资料的数量相差极大,这种情况加剧了放射科医生的工作负担。同时,CT图像中的肺结节用肉眼观察往往很容易被遗漏。因此运用计算机技术辅助医生检测并识别肺结节,为医生诊断提供第二意见非常有意义。随着深度学习的快速发展以及多个医学公开数据集的出现,有效促进了人工智能在医疗领域的发展。本文基于深度学习算法,提出了两种基于深度卷积的CT图像肺结节检测模型:提出基于深度2D卷积的CT图像肺结节检测模型,采用迁移学习思想,将基于自然图像的目标检测模型迁移到肺结节检测任务中。使用VGG16作为模型的骨干网络,在卷积神经网络中引入自学习的可变形卷积模块。重要的是,首次在肺结节检测任务中引入可变形卷积模块,通过对输入图像的学习,采样点的位置轮廓扩展到非网格形状,使卷积窗口趋向于目标周围,减少肺结节形状不规则以及肺结节与肺实质边缘模糊对特征提取产生的影响。同时,加入了多特征融合金字塔模块来适应小目标检测任务,对特征图进行反卷积拼接融合,减少小目标对提取特征带来的影响。与基于其他二维卷积神经网络的方法相比,本方法有明显的优势,平均精度达到82.7%。2D CNN对于图像有着良好的特征提取能力,但是对三维CT图像进行切片,得到横断面图像,使横截面作为单独的结节进行处理,破坏了图像之间的相关性。如果采用3D CNN,由于增加一个维度,需要更复杂的运算时间和更多的存储空间。基于这两个特点提出基于深度混合卷积的CT图像肺结节检测模型,设计并实现了一种混合卷积规则。在网络浅层使用3D CNN,与输入图像的数据格式相同,能够提取到肺结节的空间特征,在网络深层使用2D CNN,通过分组进行卷积,从2D视角提取肺结节特征,加强了对单张切片图像的特征学习,从而提高了模型的精度同时将上一阶段验证得到的反卷积融合模块扩展成三维形式,进一步提高模型的检测精度。在LUNA16数据集上的实验表明,提出的方法在平均每扫描8个假阳性下的敏感度可达92.4%。本文所提出的两种模型在公开数据集上获得了良好的性能,设计实验并讨论了采用不同局部网络模块对于特征提取带来的影响,这对肺结节检测领域研究具有很重要的参考意义以及实践价值。