近年来,肺癌已经成为危害人类健康的最大恶性肿瘤之一,同时它也是确诊后存活率最低的癌症。但是肺癌如果能在早期被发现和治疗,能够大大提高病人的生活质量和生存率。肺癌早期是以肺结节的形式存在,肺结节在图像上和肺部的血管截面相似,都表现出类圆型特征。即使临床经验丰富的医生也很容易发生漏诊现象。由于CT图像数据量大的特点,一个病人往往有上百张图像,也很容易发生误诊。计算机辅助诊断系统以医学知识为基础,结合计算机技术,图像处理技术和人工智能,能够自动完成对可疑病灶区域的标记,提高了医生的工作效率,降低了误诊率和漏诊率。本文根据对肺结节检测算法的相关研究,提出了新的肺结节检测算法,论文的具体工作如下:1.论文将全局自适应阈值法应用于肺部医学图像的分割中,通过迭代寻取最优阈值完成对躯干部分的去除,然后利用边界跟踪等多种方法相结合完成对肺实质的提取。2.根据标准模糊C均值算法运算时间长,分割效果不理想的情况,提出了改进算法,将直方图统计特性和隶属度函数优化结合起来对算法进行优化。同时完成了对FCM算法初始参数的研究。用改进的FCM算法完成对感兴趣区域的提取,仿真结果证明算法具有很好的实时性和良好的分割效果。3.选取肺结节的特征并在此基础上提出了基于单特征值优化的支持向量机检测算法,优化选取特征向量。以提高准确率为准则,对归一化方式和核函数的选择做出了相应的研究,仿真结果证明算法具有较高的检测率。