肺癌仍是威胁人类生命健康的癌症之一，对肺癌的早期检测有利于提高肺癌患者的存活率。由于医学CT图像数据量大，若仅依赖医生的主观诊断，长时间工作引起的疲劳或其它因素，往往会造成漏诊等情况发生。因此需要自动的肺结节检测方案以帮助医生提高工作效率，减轻工作强度。为实现肺结节的精确检测，降低识别分类的假阳率，以及评估治疗效果都需精确地分割肺结节。以计算机辅助诊断和疗效评价系统为应用背景，本文研究了肺CT图像中ROIs的分割及对疑似结节的检测。首先，将CT图像的DICOM文件格式转化为计算机方便处理的格式。对于预处理后的图像，提出了基于最大类间方差(Otsu)的区域生长算法获取肺实质，并利用SUSAN (Smallest UnivalueSegment Assimilating Nucleus)算子补偿肺实质。然后依据图像的灰度分布情况，应用基于高斯混合模型（GMM）及贝叶斯分类二值化分割肺实质图像以获取初始的ROIs。并通过将图像划分为大小相同的patch，利于自适应阈值迭代算法初始化GMM的参数，同时应用EM算法对GMM进行最优参数估计。其次，由于图像背景和目标对象的灰度差异，结合ROIs的初始形状，提出了基于梯度信息的边缘膨胀算法精确分割ROIs。本文利用Sobel算子结合区域边界的梯度信息，不断进行边缘检测定位，直到边缘膨胀至ROIs的近似真实边界。最后，基于精确分割的ROIs，应用圆形描述子对ROIs进行类圆形检测，以检测出疑似的肺结节。本文应用公用的LIDC(Lung Image Database Consortium)数据库和哈尔滨医科大学附属二院的数据集对提出的方法进行测试。依据专家标记的肺结节对分割效果做了客观评价。实验结果表明，提出的方法能够精确地分割ROIs，并能有效的检测出可疑肺结节，这对后续肺结节的识别及假阳率的降低有很大的帮助。