肺结节的早期诊断能够有效辅助医师进行肺癌前期的判别,对于预防肺癌的发生具有重要意义。临床中医师主要通过CT图像对肺结节症状进行判定。然而面对数量呈现出爆炸式增长的肺部CT图像,医师需要耗费大量时间判别才能满足临床需要,由于医师对图像认知不同,在具体判别过程中也可能存在误诊和漏诊的情况。医学图像检索技术可以从大量已有确诊病例中检索出与当前图像病理特征最相似的CT图像辅助医师进行判别和诊断,减轻医师工作负担,显著提升判别准确率,降低误诊漏诊的可能性,成为改进医生对肺癌诊断的关键技术之一。为了解决上述问题,进一步辅助医师进行判别,本文在遵循肺结节CT图像医学特征的基础上进行了基于深度哈希技术的检索方法研究。深度哈希技术将图像哈希算法低成本、高效率的特点和深度学习方法在特征提取和表达的优势相结合,能有效提升医学图像检索准确率。本文一是设计了基于图像分割和深度哈希的有监督肺结节CT图像检索方法。针对当前主流医学图像检索算法存在的对医学图像高级语义特征和重点局部特征表征能力不足的问题,该方法首先采用结合注意力机制的图像分割网络对图像的高级语义特征和重点局部特征进行提取,然后使用基于深度哈希的编码网络对分割后的结果进行编码,实现从图像到哈希编码的转化,最后采用汉明距离对目标图像和查询图像进行相似度比对。二是设计了基于生成对抗网络和深度哈希的无监督肺结节CT图像检索方法。针对实际应用中医学标签稀缺且主观的问题,该方法首先利用深度哈希网络对图像进行编码,实现从图像到哈希编码的转化,然后利用生成对抗网络对生成的哈希编码进行训练和学习,并设计优化策略使得改进后的哈希编码具备更强的表征能力,最后针对汉明距离计算取值离散的问题,设计了改进后的加权汉明距离,以此实现细粒度水平的排序。实验表明,与其它主流算法相比,所提有监督算法在不同长度的哈希编码下,检索准确率等各项指标均取得了更好的结果,并且该方法中的图像分割处理对其它方法的检索精度均有促进作用。所提无监督算法能够实现在不利用标签信息的情况下,不同长度哈希编码的检索准确率等各项指标均取得了接近有监督方法的结果。本文针对当前方法存在的不足和实际应用存在的问题设计了相应的改进优化算法,实现了检索准确率等指标的显著提升,进而更高效地辅助医师进行肺结节的判别和诊断,减轻医师工作负担,对临床医疗诊断过程和计算机辅助医疗具有积极作用。