目前癌症已成为威胁人类健康的重要疾病，在癌症中，肺癌的死亡率最高，对于肺癌治疗最好的方法是早发现。随着CT成像技术的发展，CT图像成为检测肺癌的最佳手段，然而随着CT精度的提高，每次扫描产生的CT图片数量也大大在增加，放射医师的诊断工作量加重，容易因疲劳造成漏诊。本课题的研究内容是基于CT图像的计算机辅助肺部肿瘤检测和诊断，通过计算机辅助诊断减轻医师的工作量，提高诊断准确率。本课题中的辅助诊断系统分为三个模块：肺实质分割模块、候选结节检测模块和候选结节诊断模块。在肺实质分割模块，首先利用最优阈值方法进行初分割，边界跟踪算法提取肺部轮廓，然后应用自适应边界匹配算法修复肺部轮廓，最终完整分割肺实质；在候选结节检测模块，分别实现了基于形态特征的环形滤波器检测方法和基于灰度特征的阈值检测方法，对于检测得到的候选结果，经过基于规则的假阳性候选消除操作后，将两类检测方法得到的结果综合在一起，弥补了两种类型检测方法各自的不足；通过阅读文献，总结了12个最常用于表征肺结节信息的特征，构成特征向量，对所有的候选提出特征向量，将该特征向量作为输入向量输入到分类器中，进行诊断，本课题选用模糊超盒神经网络作为系统的分类器，并结合K均值聚类算法对神经网络超盒扩展系数的确定方法进行改进，从而改善了神经网络分类性能依赖于扩展系数的情况。最后应用取自威海市立医院的19个CT扫描，共5766片CT图像来测试系统的性能，实验数据经过资深放射医师诊断，共包含31个确诊结节。将实验数据根据训练样本和测试样本的比例分成三组：30%训练、70%测试，50%训练、50%测试，70%训练、30%测试。最优结果在70%-30%数据组中获得，灵敏度为84%，False-positives为2.6。