肺癌是最常见的内脏恶性肿瘤之一,对其确诊一般是在中晚期,诊断后存活率较低,因此早期诊断意义重大。目前医学影像学中CAD技术不断涌现,并且获得快速发展,现已成为影像学研究的热点问题。肺部CAD系统可以帮助医生进行医学图像评估、提高诊断效率,减轻医生负担。研究表明CAD在肺癌的早发现早诊断、提高肺癌诊断的准确率和减少漏诊等方面已起到积极作用。基于此,本文对肺部CAD系统进行了分析和特征提取、选择及分类算法研究。在特征提取算法研究方面,先从医学角度分析了孤立性肺结节的征象,并在此基础上提取了能充分表达所有医学征象的完备特征空间,主要提取了包括灰度特征、形状特征和纹理特征在内的25个特征。在特征选择算法研究方面,为了减少不必要的计算量,提高分类器的性能,在识别之前先进行特征空间优化。首先分析研究了基于标准遗传算法的肺结节特征选择方法,虽然选择结果大大降低了特征冗余,减少了计算时间,却直接删除了很多特征,损坏了特征空间的完整性。对此,本文提出了基于PCA的GA特征选择算法,在进行遗传选择之前,对特征进行主成分分析得到融合特征以保证特征空间的完备性,实验表明该方法降低了特征维数,实现了特征空间的优化。在ROI分类算法研究方面,主要研究了BP神经网络和支持向量机分类算法。不论从识别效率还是准确率方而分析,SVM分类器有更好的分类性能。但由于在ROI识别中漏诊比误诊造成的损失更大,为防止漏诊,文中提出将等损失SVM分类算法应用到肺结节的检测中,实验表明该算法具有更好的识别效果。