当今世界工业化进程的不断加快,给我们的物质生活带来了很大的改变。同时,也引发了生态环境的退化及由此蔓延的环境问题导致污染日益加剧。雾霾、PM2.5、水质富营养化等环境词汇不绝于耳。这些问题不断刷新人类身体健康的底线,致使肺癌成为癌症致死的罪魁祸首,亟待需要寻求治疗肺癌的新手段。由于肺癌的I型表现主要是以肺结节的形式存在,而最好的治疗手段就是早发现早治疗。目前,随着医学影像、机器学习和数字图像处理等技术的不断突破,使得肺癌计算机辅助诊断系统(Computer Aided Diagnosis,CAD)发展速度加快。而精确的分割肺结节是CAD系统得以准确诊断的重要基础。肺部影像的主要采集手段是拍摄电子计算机断层扫描图像(Computed Tomography,CT),由于CT影像的成像原理等问题使得噪声和影像数据量大等问题无法避免,并且针对毛玻璃型(Ground Glass Opacity,GGO)与血管粘连型(Juxta-vascular,JV)结节的研究较为匮乏。所以,本文主要针对以上问题作为研究对象。近些年,基于模糊C均值聚类算法(Fuzzy C-means algorithm,FCM)的图像分割得到了广泛的研究,但是应用到肺结节分割过程中仍然存对噪声较为敏感和容易产生过分割现象的问题。为了更加精确的将肺结节从图像中分割出来,本文针对FCM算法进行了深入的研究,为适应肺结节分割问题而提出了两种改进算法。本文的主要研究内容和创新点如下:1.基于FCM图像抗噪分割方法的研究,主要是解决肺部CT图像含有噪声并且光线不均匀等问题。本文从目标像素点邻域信息对像素归类产生影响的角度分析,认为现有的参考邻域像素信息的算法对含有噪声的CT图像仍然存在分割效果欠佳的原因是邻域像素的信息并不一定会对中心像素点产生正相关的影响。基于此,本文重新定义了邻域窗口像素信息的参考机制,重新对邻域空间像素点的灰度值做灰度等级规定化操作,以此为参考标准选择不同的模糊因子。解决了传统分割方法对噪声图像敏感和FLICM算法对图像的过分割问题。从而提高了肺结节分割的准确率。2.基于FCM算法和字典学习的肺结节分割方法,针对FCM改进算法分割效果不理想,仍有进步空间的问题。本文对像素点的内部结构信息做了更加深入的分析,认为图像中的局部信息对目标像素点的分类仍然存在很大的影响。本文在改进的FCM算法的基础上,提出融合字典学习思想对目标函数做出进一步的改进。利用字典学习的过程融合图像局部信息,提取像素间的内在相关性,同时给出了新目标函数下四个未知变量的求解优化方法。通过实验证明,新算法可以更好提高肺结节分割的准确率。