肺癌位居威胁人类生命健康的恶性肿瘤之首,放疗是临床治疗肺癌的一种重要手段,而计算机断层扫描成像(computed tomography, CT)和正电子发射断层成像(positron emission tomography, PET)在肺癌的放射治疗中具有重要作用。依据现代数字图像处理的理论和技术,PET、CT图像能够帮助医生确定肿瘤大小和放疗靶区,并评估和预测肿瘤对当前放疗方案的反应,从而使医生能够更好地制定与修正放疗计划。本文以基于PET/CT图像的肺癌放疗关键技术中的图像融合、分割及肿瘤生长模型为主要研究内容,主要工作如下：首先,针对PET、CT的单独使用在肺癌的疗效评估和确定靶区的局限性,本文提出一种基于双稀疏字典的PET、CT图像融合算法,该算法利用稀疏性可以很好的描述图像特征的优势,并通过结合空域信息的绝对值最大选择法作为融合规则对图像进行融合,从而使融合图像能够有效保留PET、CT图像的优势信息,帮助医生定位放疗靶区。除此之外,还将该算法扩展应用到了脑梗塞和脑出血的CT、MRI图像融合中,得到的融合图像好于其他融合算法,进一步证明了该算法的有效性。其次,为了减少手动分割肿瘤的差异性,提高分割准确度,本文提出了基于随机游走方法的PET图像肺部肿瘤自动分割方法,将PET图像分割中常用的阈值分割和随机游走方法相结合,并将梯度信息加入边的加权信息中,改善了因种子点选取不同使得分割结果不稳定的问题,并且提高了分割精度。为了进一步获得更具有适应性的种子点,本文又提出了一种基于近邻传播聚类和随机游走的分割方法,利用自动聚类的优势进一步提高了肿瘤分割精度,分割方法能为放疗提供辅助作用。本文在分割得到肿瘤体积的基础上对体积-剂量模型进行了验证,得出该模型适用于肺部肿瘤放射治疗过程中,从而能够为医生修正放疗计划提供一定的指导作用。最后,为了及时预测放疗对肿瘤的影响,本文对基于PET图像的加入肿瘤治疗效果的个体化定制肿瘤生长模型进行了深入研究,使用该模型能够预测肿瘤的空间位置信息,帮助医生确定下一步的治疗方案。本文对该模型的参数优化过程提供了一些规则,使得其得到的预测结果更加准确,能够为模型使用者提供一定的参考价值。