根据世卫组织研究报告表明，肺癌的发病率在众多国家和地区中已成为恶性肿瘤之首。目前对于肺癌的主要治疗手段是靠外科手术切除病灶。如肿瘤仅局限在肺支气管内且并未转移其他器官时，术后5年存活率高达50%以上。但实际情况却是多数病人在第一次确诊时已是癌症晚期，肿瘤扩散后已失去切除机会，5年的存活率仅仅15%不到。肺癌早期的临床表现主要是出现肺结节，因此，将快速准确的检测并识别出肺结节作为研究课题，保证肺癌患者能早诊断早治疗并提高患者存活率有着重大意义。Computer Aided Detection即计算机辅助检测技术是伴随着计算机技术的飞速发展而应用于医学影像诊断的一项新技术。它运用模式识别法指出图像上的感兴趣区域（region of interested，ROI），即显示可能的病变区或异常区，达到辅助放射医学专家或临床医生诊断的目的。由于CAD处理信息效率高、有很好的可重复性且永远不会疲劳，能代替影像医师从事大量简单识别工作从而减轻了他们的工作强度，例如在海量CT图像中准确检测与识别出疑似肺结节点。而计算机辅助检测和诊断的难点在于如何在CT图像中做到高准确度的检测与识别出肺结节。本文针对肺结节的检测与识别算法进行了做了大量研究，提出了基于CT图像的肺结节自动检测与识别算法。该检测与识别算法分为四部分，对于每个部分，分别提出了各自有效的算法。首先考虑到肺部CT图像的特殊性，本文采用阀值分割算法及其逆操作，实现对肺实质部分以外无关区域的分割；在此基础上，对提取的肺实质部分进行图像预处理增强图像的质量。主要采用数学形态学滤波的方法，为后续的边缘轮廓提取打下良好的基础，接着运用基于主动轮廓线模型（active contour model）即Snake模型对增强后的实质区域进行边缘提取。Snake是一条封闭的或不封闭的曲线，由于能量最小化作用，本文选用的改进型Snake模型能取得更好的分割效果，然后结合肺结节的病理特征通过面积特征值、腐蚀膨胀以及腐蚀膨胀后的区域生长变化值三个方面将疑似肺结节准确检测出来。最后根据形状特征对肺结节进行识别。论文最后对以上算法进行了Matlab的实验仿真，试验的结果表明，本文提出的算法取得了良好的检测效果。由于时间的仓促，如果该算法后期能继续不断的研究和改进，将具有广泛的应用前景。