肺癌的死亡率远远高于世界上其他癌症,而且近些年来甚至还呈逐年增加的趋势。影像学检查是癌症的诊断检测和防治方面的重要技术之一。通常意义上的胸部影像学的主要研究对象就是肺部癌症,它一般通过建立肺窗来观察相应肺部影像,而计算机断层图像(CT)则是胸部影像学中最常用的图像,已经被广泛用于对于肺部肿瘤的检测中。通过对CT 影像的观察和分析,可以有效的帮助医生对实际病症情况做出准确判断。然而,医生分析肺部CT 的过程是个枯燥而且繁琐的工作,需要每天面对大量的数据信息,而且,在这种大阅读量的情况下,分析错误也就很难避免。而计算机辅助检测和诊断就是针对这种情况而提出来的,它通过对大量数据做分析得到处理结果,用来帮助医生更加安全有效的分析数据。在计算机辅助系统中,主要的技术在于如何能够更加精确的得到初始候选数据,以及如何更精确的对于候选数据做出正确的分类。基于此,本文在肺部肿瘤的计算机辅助系统方面做了一些研究。首先,自适应门限分割技术被用来做肺部区域的分割。然后,多级灰度变换和基于模糊理论的区域生长技术被用来得到初始的肺部结节候选数据。当检测完毕后,我们共计算了29 个各个方面的特征以备用来甄别真性结节和假性结节,这些假性结节主要是血管和部分良性结节。通过特征选择的方法前向步进法从这29 个特征中选出了12 个有效的特征组合向量,作为最后分类器使用的特征,主要有区域的纹理信息和区域的形状信息等。具体的分类工作由一个分类器组合来完成,一个是基于规则的分类器,一个是线性分类器。最后将整个系统应用到现有数据库含有的15 例病例(共70 个结节)中去,可以得到87.1%的精确度,这表明整个系统的设计尤其是分类器的设计是合理的。在整个系统的设计中,主要的工作有:关于肺部候选结节的分割方法是基于区域生长方法,但在该传统方法基础上做了若干改进,主要的改进方向是使用了模糊决策方面的知识;从各个方面计算了大量的候选特征,使得最后筛选出的特征具有更加广泛的意义;尝试使用分类器组合来做分类工作,使得性能较单个分类器得到改进。