肺癌是人类癌症中发病率占比最大的癌症类型,也是所有癌症中致死率最高的一种,占比高达四分之一（26%）以上。其中,非小细胞肺癌（Non-Small Cell Lung Cancer,NSCLC）约占整个肺癌发病率的85%-90%。非小细胞肺癌可细分为四种亚型:鳞癌、腺癌、大细胞癌和未定型。基于影像组学技术对胸部CT图像进行分析,实现非小细胞肺癌亚型的准确分类具有极大的临床价值。然而,目前已有的研究基本上集中在鳞癌和腺癌间的二分类研究,而基于影像组学的非小细胞肺癌多亚型分类研究却非常少。因此,探索对非小细胞肺癌多亚型分类灵敏有效的特征集合,构建能够实现非小细胞肺癌所有亚型的高精度多分类模型,具有重大的临床研究意义。本文针对验证影像组学方法对解决非小细胞肺癌多亚型分类的可行性、发掘特定问题的有效影像组学特征组合和构建基于影像组学的多亚型分类模型进行了研究,主要内容包含以下方面:（1）提出了针对非小细胞肺癌多亚型分类的有效影像组学特征组合。在LUNG1/LUNG3数据集上对CT图像及12种滤波图像提取了1409个影像组学特征,包括14类形状特征、18类强度特征和75类纹理特征。结合分类模型对特征进行分析筛选,形成最终包含247个特征的非小细胞肺癌多亚型分类的有效影像组学特征组合,为解决此类问题提供特征提取方面的参考。（2）验证影像组学方法在解决非小细胞肺癌多亚型分类问题上的可行性。研究构建了一种用于非小细胞肺癌多亚型分类的SLS影像组学模型。结合SMOTE算法、L_2,1范数、支持向量机算法成功实现在小数据集上对非小细胞肺癌四种亚型进行区分的目标,并利用独立测试集进行验证,为后续实验奠定可行性基础。（3）基于集成学习思想,在SLS模型上进行优化,提出了一种影像组学集成模型,模型对逻辑回归、支持向量机、随机森林、自适应增强、K-近邻、决策树、朴素贝叶斯、引导聚集算法、梯度增强以及二次判别分析十种分类器进行分类效果筛选,最终通过soft-voting策略对支持向量机、自适应增强和二次判别分析三种优势分类器进行集成,构建影像组学集成分类模型并有效提升了非小细胞肺癌多亚型分类的准确度。