特发性肺纤维化（idiopathic pulmonary fibrosis,IPF）作为间质性肺部疾病（interstitial lung diseases,ILDs）的一种表现,具有初期隐匿性,中后期致死率高的特点。遗憾的是,目前IPF并无有效的治疗方案,因此早检查、早诊断、早治疗可以有效提高IPF患者的生存率。但是,人工诊断方式需要繁琐的步骤和丰富的临床经验,这要求医生具有丰沛的精力和优秀的专业技能。考虑到学术界对IPF自动检测方面的研究较少,并且在肺部CT影像中IPF病变区域与其他肺部组织具有显著不同的视觉特征,因此本文针对该疾病进行自动检测算法设计,主要研究内容如下:（1）研究了肺部CT影像视觉检测基础,包括CT成像原理、图像纹理分析、机器学习模型、基于深度学习的语义分割算法和迁移学习方法;（2）提出了基于图像纹理分析的IPF病变视觉信息建模方法。针对IPF病变图像的视觉特征,利用Gabor变换、LBPV特征和主方向HOG特征构建出具有多尺度旋转不变性的IPF视觉特征模型。在ILD-database数据集上,该模型针对常见的间质病肺组织分类准确率均能达到88%以上;（3）提出了基于K均值聚类的IPF病变区域检测方法。首先采用K均值聚类算法粗提取原始肺部CT影像的IPF病变候选区域,接着对粗提取结果进行超像素分割和细化处理得到最终的病变候选区域,最后基于（2）构建的IPF视觉特征模型来检测出真实的病变区域;（4）提出了基于UNet的IPF病变区域检测方法。首先,本文利用VGG11网络作为UNet的编码器,并在UNet解码器部分添加注意力机制模块。然后,通过构建与IPF视觉特征相似的自然纹理图像数据集IPF-texture,并将在此数据集上预训练。最后将预训练权重数据迁移到UNet的编码器上并进行网络微调,极大地提高了网络对于IPF检测的准确率。