肺癌是导致全球范围内癌症患者死亡的主要原因,根据美国国立肺筛查试验统计数据显示,减轻危重症病患死亡人数最有效的策略就是进行病灶的早期筛查。临床经验发现,采用基于CT影像的诊断方法是延长生命周期的重要手段,在医学影像诊断方法中,肺结节的准确检测和分类是早期肺癌诊断的重要环节。随着肺结节CT影像的激增,加剧了医师的工作量和劳动负担,同时受经验和知识的局限性,产生了误诊和漏诊现象。因此为了减少繁琐的人工标注,开发健壮的肺结节自动检测分类计算机辅助诊断系统具有重要的临床价值。在计算机辅助诊断的过程中,肺结节检测是肺结节分类的前提,肺结节分类是肺结节检测的目标,两者相辅相成,最终为医师提供可靠的诊断结果。本研究深入剖析了肺结节检测和分类的技术现状,以CT影像为主要研究对象,开展了肺结节检测和分类两方面的研究。(1)针对现有肺结节检测方法中存在灵敏度较低,小结节甚至微小结节难以被检测,检测结果中存在大量非结节的问题,提出了基于多尺度自适应区域建议网络的肺结节检测方法。该方法由候选结节检测和假阳性结节去除两个阶段构成,第一阶段首先使用VGG16模型提取多尺度的肺部影像特征图,然后对三种尺寸的特征图利用多尺度自适应区域建议网络进行结节的初步检测,利用浅层分辨率高的特征图检测小结节,同时利用中、深层低分辨率特征图分别检测大中型结节,最后通过感兴趣区域池化层再次对结节位置进行校对和识别。第二阶段针对上一步中存在的非结节,设计了三维卷积神经网络模型来自动学习结节块的三维空间特征,完成假阳性约简任务。在LUNA16数据集上的实验结果表明,本文所提出的方法灵敏度达到96.5%,平均每次扫描的候选结节数为7.8,整体CPM评分为0.916,性能明显比其他的方法更具优势,具有较好的检测效果。(2)由于传统人工设计特征种类单一,肺结节数据量不足,未能充分利用患者的临床先验知识等因素,导致肺结节分类存在精度较低的问题,提出了一种基于联合人工设计特征、深度特征和临床信息的肺结节自动分类模型,利用肺部CT影像数据,分别计算结节图像的灰度、纹理和形状特征作为人工设计特征,其次使用在Image Net中预训练的网络模型提取深度学习特征,然后对每一例患者的临床信息作数值化处理提取临床特征,在特征级层面联合三类特征,构造极端梯度提升树,使用有限的数据区分良恶性结节。在LIDC-IDIR和合作医院的数据集上评估了该模型,结果表明,本文模型能更全面地提取肺结节有效特征,准确率达到95.44%,明显优于最先进的方法。同时也对结节恶性度分类做出了尝试,准确率达到74.82%,为后续的研究提供了新的方向。