肺癌是当今世界上发病率、死亡率最高的恶性肿瘤。肺癌的死亡率高的最主要原因是肺癌早期诊断误诊率比较高。肺癌在早期大多表现为直径小于3cm的孤立性肺结节(Solitary Pulmonary Nodule,SPN),一般为圆形或类圆形不透光区。病人通常无明显临床症状,多数为偶然或体检发现。在实际工作中对孤立肺结节的定性诊断一直是影像学的难题之一,而早期就发现恶性肺结节并及时切除,患者可大大提高五年存活率,同时在诊断不够明确而手术切除的结节中约有一半是良性。若孤立性肺结节能被准确定性,肺癌的误诊率就会大大减小。所以孤立性肺结节良恶性的正确鉴别是非常关键的。目前有多种影像学检查方法用来区别肺结节的良恶性,CT是常规方法,敏感度高达97%,但特异度仅为70%。PET诊断肺结节正确率较高,但诊断敏感度及特异度并不是很高,将两者相结合,利用PET/CT对孤立性肺结节的显像结果是比较全面、精确的。为辅助医生诊断孤立性肺结节的良恶性,本文提出了一种基于肺结节的PET/CT影像特征结合优化选择的纹理特征的粒子群优化支持向量机的分类方法。本文基于同组成员实现的配准与分割的前提下,首先对肺结节影像学特征进行量化,提取CT特征12个以及PET特征1个,接着提取肺结节基于灰度共生矩阵的纹理特征,由于纹理特征之间存在相关性,存在信息冗杂以及重复表述的情况,故本文提出一种基于互信息的混合特征选择算法优化得到相互独立的纹理特征子集。然后将传统的粒子群算法(PSO)进行改进对支持向量机(SVM)进行参数搜索,进而选择最合适的参数,得到合适的SVM分类模型。实验表明,使用改进的粒子群算法优化支持向量机的参数,可以避免人为选择的随机性,在解决分类问题中有良好的表现,再用本文提取的特征数据集作为输入最终得到的分类模型对良恶性肺结节进行分类,平均正确率可达到85%以上,且为医生诊断肺结节时选取的主要特征提供了理论依据。