肺癌是人类死亡的可怕杀手,最有效的方法是早发现、早诊断和早治疗。孤立肺结节是肺癌重要的征象,而CT影像是目前孤立肺结节诊断的主要手段。在传统的有监督计算机辅助肺结节检测(CAND)系统中,大量训练样本的人工标记是学习过程中的先决条件。幸运的是,多示例学习为解决标记问题提供了新的思路。本文中,首先提出一种新颖的多示例包和示例的构建方法。每个病人的CT序列作为一个包,放射科专家的标记任务减轻为标记正包(有结节)或负包(无结节)；其次,提出了改进的基于多示例学习的计算机辅助肺结节检测算法框架,称为MIL-CAND。算法通过遗传算法(GA)对多示例学习算法参数进行优化,并采用主成分分析方法(PCA)进行了有效的特征降维；最后,针对多示例学习算法噪声敏感性的问题,提出一种基于有效去噪的多示例计算机辅助肺结节检测算法框架(DMIL-CAND)。实验结果表明,本文提出的方法和框架是有效的,能够提高检测正确率大约3个百分点,并且能够很好的解决传统计算机辅助肺结节检测中的标记问题,以及在基于多示例学习的计算机辅助肺结节检测框架中的噪声问题。