近年来,由于人类生存环境的恶化,肺癌等肺部疾病已经成为导致人类死亡、影响人类生活质量的主要原因之一。对于肺癌病人来说,早期检测可以使病人及时进行治疗,产生良好的预后。随着CT影像技术的发展,CT技术已经作为肺癌早期检测的主要工具。肺部的病变一般在CT图像上会表现为肺结节。因此,医生在临床上需要查阅CT图像来查找肺结节病变,而当前CT机扫描病人肺部所产生的图像数量少则几十张,多则数百张,这就给医生带来了沉重的负担,并会由此导致出现一些漏检的情况。肺结节计算机辅助诊断系统(CAD)可以帮助医生减少由于失误而漏检结节的概率,并且还可提供肺结节良恶性的预测参考。本文围绕肺结节计算机辅助诊断这一课题,做了一些相关的工作,主要包括以下三个方面:首先,提出了一套完整的肺结节自动检测方案。包括DICOM文件的处理及格式转换,基于区域生长的肺实质的提取,ROI提取,类圆形检测,ROI特征提取,以及基于半监督学习算法Co-Forest的肺结节判别。采用半监督学习的理由是无标记的样例,即医生未标记的CT图像,非常容易获得,而医生标记的数据却不太容易获取,这种情况正是半监督机器学习算法所擅长解决的。其次,提出了一种肺结节良恶性的预测方法。从影像学特征上判断具体的病症是比较困难的,目前即使是非常有经验的医学专家,在未对病人进行病理检验之前预测肺结节良恶性,准确率也很低。本文通过合作医院提供的13种特征,并采用SVM算法将预测肺结节良恶性作为一个简单的类别判别问题。最后,实现了一个肺结节计算机辅助诊断系统,拥有良好的用户界面,提供较好的用户体验。采用Server/Browser模式,使用户可以随时随地访问辅助诊断系统,同时实现了界面与算法的分离,易于维护升级算法。论文最后对上述方法进行了实验验证,实验的结果表明,本文所提出的方法是有效的,在一定程度上解决了肺结节的计算机辅助诊断问题。