颅内动脉瘤是对人类生命健康危害最大的脑血管疾病之一,其症状不易发现,且发病过程紧急,具有很高的致死、致残率。因此,颅内动脉瘤的前期诊疗十分关键。目前针对颅内动脉瘤的检查方式主要有三种:计算机断层扫描血管造影（Computed Tomography Angiography,CTA）、磁共振血管造影（Magnetic Resonance Angiography,MRA）和数字剪影血管造影（Digital Subtraction Angiography,DSA）。在传统诊断方式中,医生分析颅内动脉瘤的医学图像时,需要手动标注病灶区域,选择动脉瘤的显示角度,这在增加医生工作量的同时,也缺乏客观准确性。为此,本文设计基于DSA和CTA图像的颅内动脉瘤检测算法,在切片血管数据上重建三维血管结构,通过分析血管的结构特征来确定疑似病灶,并基于特征进行分类检测,进而辅助医生诊断,为患者的早期治疗提供帮助。首先,本文对实验使用的DSA和CTA数据进行预处理。在血管切片图像上,使用形态学图像处理和阈值分割方法对分层血管数据进行提取,减小背景对血管结构的影响。在此基础上使用面绘制方法进行三维重建,通过三维形态学算法提取最大连通分量,最终得到血管主体结构,从而降低细小血管以及噪声对瘤体检测的影响。接下来,针对于三维重建优化后的血管数据,本文从新的研究角度出发,利用血管结构的管状特性,提出了一种基于步长自动搜索的颅内动脉瘤检测算法。该算法通过生成迭代平面截取血管结构,计算血管的最小截面用于确定算法的搜索方向,并将血管截面及其位置作为特征对迭代中心进行分类,寻找瘤体的可疑位置。实验结果表明,算法对颅内动脉瘤有一定检测能力,但受到单向检测的局限性的影响,其F2-score为0.707。最后,为了分析血管的整体结构,本文提出基于血管三维骨架的动脉瘤检测算法。该算法通过提取血管结构的骨架,分析血管的三维信息,包括骨架点所在位置的体积、截面、偏角等特征,并使用随机森林方法对血管骨架点进行分类,从而检测动脉瘤的疑似病灶。由于该算法避免了迭代算法的局限性,检测准确率得到提高,F2-score也提高到0.825。实验结果表明,本文提出的基于DSA和CTA图像的颅内动脉瘤检测算法能较为准确的找到瘤体位置,可以帮助医生高效处理医学图像,有一定的应用前景。