近几年来由于环境问题和食品安全等方面的原因,我国肺癌的发病率和死亡率都在快速上升。肺癌的早期病症常表现为肺结节,如果能够在早期及早的发现肺结节,并施以合适的治疗手段,患者一般能够康复。因此肺结节检测技术目前是医学图像处理领域中的一个热门研究课题。目前的肺结节检测面临一些困难,首先,医学图像在拍片和存储的过程中可能导致图像失真,甚至出现伪影和噪声的情况,这些会影响结节的检测精度;其次,肺部CT图像中血管等组织和结节具有相似的形态,这些组织的存在为肺结节检测增加了难度;再次,传统的肺结节检测算法对肺实质分割的假阳率高,分割结果存在丢失肺结节的可能性;最后,在肺结节检测阶段,传统的算法由于仅仅使用人工设计的特征,很难适应不同形态性质的肺实质;所以目前急需研究新的肺结节检测技术来解决这些问题。针对上述问题,本文对肺结节检测关键技术进行了研究,论文的主要研究内容如下:(1)本文提出基于目标定位改进的GrabCut算法用于肺实质分割。本文算法能够适应不同形态的肺实质,在保证精确度的同时,相对于基于阈值和基于区域生长的分割,召回率分别提升了6.8%和3.3%,有效提高了分割的准确性。(2)本文提出基于U-Net全卷积神经网络与全连接条件随机场的疑似肺结节检测算法。在网络中使用Focal Loss作为损失函数改进经典U-Net在小目标分割中效果不理想的缺点。实验结果显示,Focal Loss损失函数相对于交叉熵损失函数和Dice损失函数在评估指标Dice系数中分别提升了37.5%和30.9%。为了能够使提取结果更加精细,本文在U-Net分割之后使用了全连接条件随机场优化分割结果。(3)本文提出了一种融合了传统人工特征和深度学习特征的算法。相较于单纯使用卷积神经网络、随机森林和支持向量机的算法,本文算法在精确度上分别提升了1.1%、4.6%和7.1%。本文将传统的人工特征和深度学习训练得到的特征结合,有效提高识别的准确率。本文算法对目前肺结节检测的深入研究有一定的理论和实际参考价值。