众说周知,肺癌是恶性程度最高的肿瘤之一,如果能早期发现,积极治疗,患者的存活率就能得到有效提高,因此肺癌的早期诊断研究具有重要的意义。早期肺癌在医学影像学上通常表现为孤立性的肺结节,它在胸片图像中通常表现为圆形或近似圆形的致密影,仅凭肉眼是很难将肺结节和肺部软组织区分开的。近年来,计算机模式识别与医学的交叉领域是一个新兴的发展方向,可有效地辅助医生进行诊断和治疗。在医生看片之前先使用计算机进行自动辅助识别,标记出其中可能为结节的位置再呈现给医生进行诊断,这将大大降低工作强度,提高阅片效率,同时还克服了人眼对灰度不敏感带来的误差,有效提高检测的准确率。因此,基于胸片的肺结节计算机辅助检测方法的研究和应用得到了越来越多的科研工作者和医生的关注。本文主要研究针对X光胸片的肺部结节自动检测方法,首先回顾了肺结节计算机辅助检测算法的研究现状和发展,然后从四个基本步骤依次展开分别进行研究,重点探索了基于改进的活动形状模型应用于肺区分割算法、高效准确的DoG斑点检测算法以及采用改进的支持向量机的肺结节分类识别算法,取得了比较好的效果。本文的主要贡献如下:(1)提出了一种全自动的改进活动形状模型方法并运用于肺区分割,不仅实现了肺区分割的全自动化,还得到了更加精确的分割效果,加快了分割速度。(2)通过实验对比了多种检测斑点的算法,最终结合多尺度框架和DoG算子检测斑点来识别疑似结节区域,实现了效率高精度高的斑点检测。(3)特征提取方面,根据肺结节在胸片上显示的特点,在疑似结节区域上提取了位置特征、尺度特征、灰度统计特征和差异特征、基于灰度共生矩阵的纹理特征、以及分别基于Hessian矩阵和多尺度高斯微分滤波器组的纹理特征。然后对传统的F-score算法加以改进并进行了有效的特征选择。(4)针对训练集正负样本数量不平衡且差异较大造成分类器分类面偏移的问题,本文通过从数据处理和算法改进两个方面出发进行探索。最终通过实验证明,结合平衡因子与核函数乘积特征融合的支持向量机算法的识别效果最好,在各个测试集上均得到了良好的效果。