传统的肺癌诊断主要通过人工读片的方式,找到肺结节所在的位置并判断其良恶性,这对于医师的经验有着较高的要求,同时极大的工作量很有可能造成诊断疲劳,甚至造成漏诊或误诊,耽误患者的最佳治疗时期。计算机辅助诊断技术的出现,实现了肺结节的自动诊断,减轻了医生的工作量,也在一定程度上缓解了不同地区医疗水平差异的问题。但目前与肺癌相关的计算机辅助诊断技术大多数针对独立时期的肺部病灶影像,通常是对肺部影像进行肺结节的检测与自动诊断。而肺结节的形成是一个长期的过程,仅对单一时期的图像进行研究并不能完全了解病灶区域的特征。如果能够对于肺部病灶从出现到随时间变化逐步发展的整个过程进行研究的话,将会对肺癌的演变规律有更深的了解。但是由于很难获取到完整病程的影像序列,所以通过纵向肺癌图像序列开展研究是一个极大的挑战。本研究首先分析了目前肺结节检测的方法,并对使用纵向肺部病灶影像数据的研究做了了解,提出了一种改进的肺结节检测方法,并利用不完整的长时程影像数据进行肺结节特征演变的研究。（1）针对早期的肺结节尺寸较小,难以检测的问题,以及原始肺部CT图像中存在许多与肺结节形态、大小都及其相似的干扰信息,容易出现错误检测结果的问题。论文基于已有的目标检测网络框架,做出了进一步的改进,将Faster R-CNN与特征金字塔网络结合,用于肺结节检测,特别是早期的肺结节的筛查,并提出了新的损失函数,通过进一步的约束与特征提取,有助于肺结节的筛选。通过在NLST数据集上进行的实验验证了方法的可行性。（2）针对目前纵向的肺部影像序列难以获得的问题,论文提出了一种利用存在的数据估计缺失时期数据的方法,将图像数据估算任务转为了图像域间转换的任务。通过基于生成对抗网络的缺失肺结节图像合成算法,使用单个生成器和判别器网络就可以使用存在的数据集成功估计缺失的数据。并使用多种损失函数对合成图像的效果进行约束,使生成的伪图像更加逼真,最终通过对照实验证明了提出的方法生成的图像具有更高的视觉质量。