医生在利用医学影像对新病例进行诊断时时,常使用已确诊的医学影像资料作参考。肺结节图像检索旨在为医生准确检索出与新病例影像最相似的候选影像,而排序学习算法的目的是对检索结果进行更为准确的排序。为了建立准确有效的的肺结节图像检索模型,首先对提取得到的肺结节图像特征进行特征选择。筛选出最优特征子集后,将LambdaMART排序学习算法引入肺结节图像检索任务,将排序学习算法与传统的基于内容的医学图像检索算法相结合,依据特征向量以及由专业医师所标记的相似度标签建立针对候选图像间相对位置关系以及NDCG评价准则进行优化的多回归树模型。在预测阶段使用训练所得模型对新查询图像与候选图像之间相似程度进行度量,并筛选出相似程度高的候选图像。针对LambdaMART算法在每一轮迭代过程中使用单棵决策树不能有效控制方差问题,将随机森林算法与LambdaMART算法相结合,使用随机森林模型替换原始LambdaMART模型中的单棵决策树,提出了LambdaMARF算法。另一方面针对LambdaMART算法在每一轮迭代过程中使用固定的学习率,并且学习率难以选取的情况,使用变学习率方法替换原始LambdaMART算法中的固定学习率,提出了可以针对迭代轮数进行自适应学习率调整的Adaptive LambdaMART算法。针对肺结节相似图像检索任务,对LambdaMART算法、LambdaMARF和Adaptive LambdaMART算法在多种特征选择算法下对肺结节图像检索的情况进行了实验分析,实验结果表明LambdaMART算法能够较好的应对肺结节相似图形检索任务,而对其改进后得到LambdaMARF算法以及Adaptive LambdaMART算法能够进一步提高肺结节图像检索的准确率。