如今肺癌已成为威胁人类健康的头等杀手,而肺癌在起初都表现为结节形式,所以对肺结节的检测变得尤为重要。在肺结节检测中存在的主要问题是会检出大量的假阳性,从而降低了诊断效率。针对这个问题,本文从逼近的支持向量机(Proximal Support Vector Machine,PSVM)和逻辑约束学习算法深入研究了肺结节检测的几种新方法,主要工作和研究成果包括:1、设计实现了基于PSVM的肺结节检测算法。先对图像进行感兴趣区域(Region Of Interest,ROI)的检测和特征提取,选用似圆度、灰度值、紧凑度、灰度方差等特征,并计算出特征值。这些特征值作为数据应用在肺结节检测算法中。由于PSVM算法是把标准SVM中的不等式约束变为等式约束,解决了二次规划问题,提高了求解效率,所以本文基于PSVM完成肺结节检测。为了验证本方法的诊断精度,利用人工标注构造训练样本,然后用五折交叉验证将本方法与传统的基于SVM的肺结节检测算法进行比较。2、提出一种基于逻辑约束的肺结节检测算法。首先挖掘了肺结节的先验知识,并基于本文提出的一阶谓词,给出一阶谓词逻辑表达式,用本文提出的数学公式给出逻辑约束学习框架的不等式约束,然后在训练样本中利用本算法进行学习训练,得到肺结节检测模型,用于肺结节检测。本文还将这一检测算法与其它三种典型的检测算法进行性能上的比较,得出本算法不但提高了诊断精度,而且可以给出因果解释,为进一步更精确的检测提供依据。3、针对上面所述的两种检测算法,并结合其它两种经典的检测算法,设计实现了肺结节检测系统。