肺癌是一种广泛存在的疾病。在世界范围内,其发病率和死亡率在所有癌症中都位于前列。研究表明,准确的早期诊断可有效提高治疗成功率和患者生存率。在肺癌诊断中,阅片医生通常借助CT（Computed Tomography）图像来筛查肺结节和诊断其病变类型。检测到肺结节后,接下来的良恶性诊断是非常重要的一步。然而,受到医生的知识和经验水平的限制,人工阅片容易产生较高的误诊率。为此计算机辅助诊断系统被大量研发,帮助医生处理和分析病人的CT图像资料,从而实现自动的肺结节良恶性诊断与分类。近年,随着深度学习的发展,计算机辅助诊断系统通过与深度神经网络的结合,进一步提高了肺结节的临床诊断效率和准确度。本文基于公开的肺癌CT图像数据集LIDC-IDRI（Lung Image Database Consortium and Image Database Resource Initiative）,针对提高肺癌结节良恶性诊断准确度的需求,对基于使用不同特征的良恶性分类任务展开了以下研究工作:1.设计出一套针对LIDC-IDRI的数据集预处理和结节图像分割方案。2.探索传统图像特征（如结构特征、纹理特征等）在肺结节良恶性分类任务中的效用。本文使用支持向量机作为分类器,对所提取的4种结节传统图像特征分别进行了良恶性分类实验。最后,对分类结果进行对比分析,以此探讨各种传统图像特征的优缺点。3.创新性提出了一种基于多层特征和双线性池化的模型,该模型采用两个并行流程进行特征提取。这两个流程通过一系列基于卷积神经网络的卷积层分别提取多层特征,然后经过双线性池化进行特征融合。最后将双线性融合特征输入到支持向量机中得到分类结果。该模型旨在融合并强调相似特征,以增强良恶性肺结节细微差别的区分能力。4.在多层特征双线性池化模型的基础上,在流程末端加入了基于高斯分布的加权投票机制,对结节分类结果进行融合,以进一步提高分类精度。通过上述研究工作,本文提出的分类模型最高达到了 94.97%的分类准确度。目前,处于该研究领域的领先水平。