肝癌和肺癌是当前发病率很高的疾病,致死率也在逐年增加。基于深度学习的人工智能算法在不断进步,快速地推动了智慧医疗的发展,深度学习算法在医生诊疗癌症过程中起了重要作用。通过构建基于深度学习的检测算法可以完成医学CT图像中肝肿瘤和肺结节的自动化标注,辅助医生诊疗。不仅如此,自动化的深度学习检测算法通过训练大量医生标注的高质量数据,可以在网络中学习医生的诊疗知识,这样将集成好的深度学习算法应用到医疗不发达地区,可以提高该地区的医疗水平,降低医生们阅读CT影像的工作量。本文主要研究通过深度学习方法进行肝肿瘤和肺结节的检测,一种是利用目标检测方法进行肺结节的检测,另一种是利用图像分割算法进行肝肿瘤的分割。根据数据的标签是坐标还是掩膜,选取不同的方法。标签是坐标选取目标检测方法,标签是掩膜则选取图像分割算法。病灶检测的难点主要在于小病灶很难发现,无论是小肿瘤还是小结节都不容易检测。为了方便处理医学图像,本文提出了医学CT图像的处理方法,对不同类型的医学CT图像进行归一化。为了完成小结节的检测,本文提出了基于密集连接网络的多尺度肺结节检测方法,可以检测两种尺度范围的结节,网络设置更加偏向小结节的检测。提出基于分类网络和图像块匹配网络的假阳性降低方法,降低检测病灶产生的假阳性。进行肝肿瘤检测之前需要先分割出器官,序列化抽取Unet的分割肝的方法减少工程上需要的资源量。利用特征融合Unet方法完成了多尺度肿瘤的检测。本文还研究了图像形态学处理和分割算法相比的优劣,解决医学图像领域的样本不均衡问题,研究不同的损失函数对网络的影响。