CT肺结节检测对提高早期肺癌患者五年生存率具有重要的价值。由于肺结节病理组织结构的复杂性,提取高判别性特征、获得低假阳性率仍是一项极具挑战性的任务。针对该问题,本文围绕肺结节检测方法进行了研究,具体工作及主要成果如下:(1)针对粘连型结节提取困难问题,提出一种基于最大熵分割与形态学结合的疑似结节提取方法。首先,提取CT图像肺实质区域,用最大熵分割肺实质得到感兴趣区域;然后,用形态学方法去除感兴趣区域中结节与肺组织粘连部分;最后,用连通域标记法提取疑似结节图像并保存为数据库。实验表明,该方法能有效地断结节开粘连区域,准确提取出疑似结节区域。(2)针对小规模数据集难以训练深度神经网络问题,提出一种基于迁移学习与SVM的肺结节检测方法。首先,复制预训VGG作为目标模型;其次,微调模型使其适用于肺结节分类任务;然后,用(1)中数据库通过反向传播的方式对模型过滤器权重进行优化;最后,用模型提取的深度特征训练和测试SVM。结实验表明,该方法能够准确地检测出结节,且具有较低的假阳性率。(3)针对深度特征维数多易出现冗余的问题,提出一种基于特征优化的肺结节检测方法。首先,用微调的VGG深度网络提取特征;然后,选用不同降维算法对特征进行优化;最后,用降维所得特征训练和测试SVM。结果表明,该方法具有较高的准确率,且能够大幅减少训练分类器所需时间。