随着空气质量下降、环境污染的加剧,肺癌已经成为人类健康的第一杀手,提前做好预防检测可以有效的保护人民的生命安全;肺部CT影像已成为肺部检测的常用工具。虽然医疗设备的进步极大的提高了检测的准确率,但是因为疲劳等原因,往往造成漏诊或误诊。计算机辅助检测和诊断的研究可以有效的减轻医生的工作量,更好的辅助医生的工作。但另一方面,成像数量的增大给医生带来的是更大的工作量。为了解决这一矛盾,20世纪90年代开始出现计算机辅助检测和诊断相关研究和应用,相关应用也证明了计算机辅助检测和诊断在降低漏诊和误诊等方面有着不可小觑的作用。而在肺部CT影像序列中识别和检测出肺结节,对肺结节进行分类识别,可以做好对疾病的提前干预和治疗,减轻病患的精神和生活压力。本文针对DICOM标准胸部CT序列影像,采用LIDC-IDRI影像库作为研究素材,从DICOM标准的影像解析、CT序列影像的肺结节检测提取和肺结节识别分类等步骤进行相关算法研究和实验论证。具体内容包括:本文首先针对肺结节的检测问题,提出一种基于稀疏非负矩阵分解(Sparse Non-negative Matrix Factorization,SNMF)的肺结节检测方法。该方法针对肺部CT标准格式DICOM影像资料,样本来自一个已经标注好的肺结节公开数据集LIDC-IDRI,在此数据集上对肺结节进行检测。本文提出的算法可以有效的降低输入数据的维度,并且能更准确的检测出可疑的肺结节部分。为了从提取到的结构中分类识别得到肺结节,本文研究使用SVM分类器来对肺结节进行分类识别。在肺结节的识别问题上,针对不同位置和形状差异的肺结节,提出形状特征、像素灰度信息熵和位置特征来表征不同的肺结节,最后利用SVM的径向基核函数对模型进行训练和验证。实验结果也表明本文提出的特征可以有效的识别出肺结节。