众所周知,癌症是目前全球发病率和死亡率最高的疾病之一。通过活体检查的方式对肿瘤的良恶性进行诊断,不仅需要对患者做入侵手术,而且不利于医生对肿瘤异质性的观察。放射组学通过对放射影像中获取的可描述性特征的量化和分析,将肿瘤表型和疗效评估对应起来,为医生对肺癌患者进行临床上的诊断提供了良好的依据。近年来,深度学习方法被广泛应用于医学图像处理领域。利用原始放射影像进行深度学习虽然可以获得良好的识别效果,但由于其封闭的学习方式,无法得知图像特征与分类结果间的关系,而采用传统的浅层机器学习方法通常具有一定的局限性。本文主要主要研究工作如下:(1)采用传统的统计方法从肺部CT图像的感兴趣区域中提取了几何特征、纹理特征和直方图特征,共143维特征向量作为原始特征集,用于结节的良恶性分类。(2)受基因组学在基因选择中的启发,在Relief特征选择算法中引入递归特征排除策略,形成RFE-Relief特征选择算法,克服了Relief算法中不能去除冗余特征的缺点,最终得到包含有46维特征向量且与结节良恶性相关性强的低维特征子集。(3)构建了一个由三层受限玻尔兹曼机构成的深度置信网络模型,并在顶层加入Softmax分类器,将由46维特征向量构成的特征子集作为DBN的输入,通过对RBM和Softmax的逐层训练和微调实现对结节的良恶性分类。实验结果表明,最终的分类精确度为93.8%。通过特征选择,不仅降低了算法的运行时间和效率,还提高了分类的精确度,可以辅助临床医生进行肺癌诊断。本文最后还对DBN模型在结节良恶性分类中的隐含层节点数和隐含层数进行了讨论,结果显示本文构建的DBN模型可以较好的完成结节良恶性的分类任务。