肺癌是发病率、死亡率增长最快的恶性肿瘤之一,早期的诊断对肺癌治疗至关重要。目前,临床上主要依赖于计算机断层扫描技术筛查肺结节病变,基于医学图像的计算机辅助手段去检测和诊断对癌症患者的治疗有重要的意义。由于肺部CT图像病灶区域复杂,表征多样,医师筛查具有工作量大、观察者间差异明显等缺陷,如何有效提取病灶特征,并利用相关特征对肺结节图像进行语义属性分类,是当前生物医学和机器学习领域的研究热点之一。本文主要研究了肺结节CT图像中基于流特征的语义属性等级分类,具体工作如下:首先,肺结节病灶区域的特征提取是实验非常重要的一部分。由于CT图像肺结节病灶区域的临床表征复杂多样,计算特征集应该较为全面的去描述肺结节病灶区域,且需要避免计算特征之间冗余的问题。本论文将选用现有底层的二维图像特征表示肺结节病灶区域。其次,针对特征数据集不平衡问题,我们使用SMOTE算法解决数据不平衡问题。除此之外,数据集没有统一量纲会影响实验的分类结果,在此基础上,我们对特征集进行离散化和归一化处理。然后,由于肺结节CT图像临床常用的语义属性可以对肺结节的深入分析提供丰富的定量线索。针对肺结节图像的底层计算特征和语义属性之间映射关系,我们首先提出一种基于卡方检验的流特征下的因果结构学习算法(CD-SF),CD-SF算法对逐个产生的每一个特征进行及时的处理和筛选,以期在尽可能早的阶段排除无关特征,为后续的条件独立性测试创造较小的子集空间,同时也为搜索定向阶段创造较小的搜索空间,进而建立因果网络通过联合树预测算法进行语义属性等级分类。最后,针对CD-SF算法在时间性能上的不足,我们提出了CD-SU-SF算法,在这个算法中,对于逐个产生的每一特征,我们通过计算互信息并且通过设置相关性阈值进行筛选得到可能的候选邻居节点,将指数级的计算复杂度优化为线性级别了。实验证明该算法也取得了较好的时间性和准确性。