肺癌是世界上最常见的恶性肿瘤，由于其高致死率，被列为癌症第一杀手。它的早期发现和治疗能够大大提高患者的存活率和生活质量。通常，由于肺癌的早期表现形式是肺结节，因而肺结节的早期检测诊断对肺癌的早期治疗十分重要。　　X光胸片是最常用的影像诊断技术之一。由于不同器官组织吸收X射线能力不同，从而能获得胸部不同组织的投影图像。X光胸片成像花费低，放射剂量小，并且能够显示特定的病理结构等优点，临床上常被用于肺部疾病诊断。然而肺结节因其大小不同、灰度的多变性、被肋骨锁骨的遮挡等问题，容易导致X光胸片肺结节检测的失败。因此，改进X光胸片肺结节检测方法，准确检测肺结节近年来已成为一个活跃的研究领域。　　随着影像技术的发展，CT成像也逐渐成为诊断疾病使用最多的影像筛查方式之一。目前，薄层螺旋胸部CT影像已实现亚毫米级分辨率，对发现小结节和隐藏部位结节有较高的灵敏度。但是，由于CT影像的大量切片，而肺部有丰富血管和气道结构，使得诊断变得更加复杂，假阳性率也更高。由于传统的人工胸部影像诊断胸部疾病有工作量大、阅片周期长、主观性强等缺点，因而需要快速、准确、可重复性强的肺结节计算机辅助诊断系统来协助医生诊断疾病。本文针对以上问题，结合国内外大量的相关文献，对胸部影像（X光胸片和CT）的肺结节计算机辅助诊断分析做了系统的研究工作，主要的贡献和创新包括:　　(1)提出基于深度特征融合的X光胸片肺结节分类方法　　在这个算法中，基于广义的LoG算法检测X光胸片中的肺结节，利用深度学习方法对疑似肺结节提取高级特征，融合已有的经典手动特征，对疑似肺结节区域进行分类。在公开的数据集JSRT上，本文的实验结果可以得到较高的灵敏性0.692。　　(2)提出一种基于迁移学习和卷积稀疏降噪自编码混合模型的胸部病变检测筛选分级诊疗方法　　为了分类X光胸片图像水平，本文融合了卷积神经网络分类器的概率置信度和卷积稀疏降噪自编码的重构误差，获得相应的得分函数。最后，采用集成投票的方式来确定图像的分类级别。实验表明该方法可以较高精度将X光胸片分为病变、正常和不确定三种类别。这样能够使得放射科医生将注意力集中在高风险的胸片上，还可以帮助他们纠正潜在的误诊。结果表明，我们的算法在正常样本上可达到准确率0.9，召回率0.9，F10.91;在异常样本上可得到准确率0.7，召回率0.74，F1为0.72。与真实标签比较，在正常样本上准确率可以达到0.99(390/395)，在异常样本上准确率可以达到0.94(83/88)。　　(3)提出一种基于深度回归的标记点检测方法　　如何精确定位肋骨位置，是骨抑制的关键。本文基于主动形状模型，提出一种深度回归的标记点检测方法，来精确确定肋骨采样点，从而使得主动形状模型能够精确确定肋骨的位置。实验结果表明，测试集上我们的方法可以得到一个平均IoU为0.76，平均Dice系数为0.83的较好结果。　　(4)提出一种3D深度网络的CT肺结节检测与分类方法　　本文提出一种类似3D U-net分割方法来检测肺结节区域，然后基于检测到的疑似肺结节区域，提取疑似区域多尺度融合的金字塔特征对肺结节进行分类。与其他方法结果相比，我们采用了3D的空间信息和多尺度信息，在灵敏性上可得到一个较好的结果。