冷冻电子断层扫描（Cryo-ET）是研究结构生物学的一项重要技术，能在原位环境下重建生物大分子的结构。这项技术的一个关键需求是将生物大分子从冷冻电镜（Cryo-EM）图像中挑出。为了能够处理大量的冷冻电镜图像数据，开发自动的粒子检测技术至关重要。传统的目标检测模型已经被用于二维冷冻电镜图像的粒子检测上。由于粒子结构信息较少以及冷冻电镜图像信噪比极低，这些模型在检测冷冻电镜图像中的粒子时性能有限。目前，针对三维图像粒子检测的解决方法都是基于分割模型的方法。这些方法需要大量的检测时间以及精细的三维标注。为了克服这些局限性，本论文提出了一个能以极快的速度和相当高的精度对三维冷冻电镜图像中的粒子进行定位和分类的一阶段目标检测模型。模型扩展自二维检测网络YOLO，在数据处理与损失计算部分做了一定的改动。与目前领域内性能领先的模型不同，此模型在训练时仅需粒子位置和类别的标注。实验表明，本文提出的模型在粒子检测任务上的表现与这些前沿模型的水平相同，但是达到约十倍以上的检测速度。此外，本模型在三维医学图像的肺结节检测任务上也表现出良好的检测性能，具有很强的迁移能力和应用潜力。