近年来,由于环境污染的加剧,肺癌等肺部疾病已经成为导致人类死亡、影响人类生活质量的主要原因之一。对于肺部疾病的早期检测与治疗,是预防和治疗肺部疾病最有效途径。这些肺部疾病在影像学上通常表现为孤立性肺结节,对于孤立性肺结节的检测与识别是对肺部疾病诊断最重要的途径。CT扫描是目前在肺部疾病的检测与治疗中的最为重要的一类检测手段,但是由于近年来CT扫描的广泛应用,CT图像大量增加,不仅导致了医生工作量的急剧增长,也在一定程度上影响了诊断的质量。随着数字图像处理技术、模式识别以及机器学习技术的不断成熟,使得采取计算机辅助诊断的方式对数字化的CT图像的诊断成为可能。围绕孤立性肺结节的计算机辅助诊断这一课题,本文的研究工作主要包括如下几个方面:1.提出了一种改进的孤立性肺结节的自动检测方法。孤立性肺结节的检测一般采取图像分割的方法,所依据的规则往往是比较固定的,而本文所提出的方法是在对候选区域进行分割的基础上,提取区域的特征,采取AdaBoost统计学习算法来实现对孤立性肺结节的自动检测。2.提出了一种孤立性肺结节的良恶性判别方法。对于孤立性肺结节的性质进行诊断是我们诊断的最终目的,而从影像学特征上判断具体病症是比较困难的,目前临床上尚无定论,本文针对其中最简单的二类分类问题——良恶性判别进行了研究。基于临床上比较成熟的判别孤立性肺结节良恶性质的规则,本文提出了提取孤立性肺结节30个图像特征作为分类依据,并应用支持向量机分类算法对其进行良恶性分类。3.提出了一种基于关键区域Gabor特征表示的肺部CT图像的计算机辅助诊断方法。即由人根据简单规则筛选出可能含孤立性肺结节的特异性区域,采取Gabor小波变换的结果来表征该区域,进而采用支持向量机对其进行分类(正常/异常),从而实现对于肺部CT图像的诊断。论文最后对上述方法进行了实验验证,实验的结果表明,本文所提出的方法是有效的,在一定程度上解决了孤立性肺结节的计算机辅助诊断问题。