随着工业化发展进程的加快以及吸烟人数的不断增加,因肺癌死亡的人数居高不下。大量的临床数据发现,肺癌早期多以肺结节的形式出现。CT影像是发现早期肺结节的无创检测方法之一。利用计算机辅助的CT肺结节检测系统可以帮助医生进行早期的检测和诊断。然而,由于放射剂量、机器参数的不同,不同医院的影像数据库的明暗程度、对比度,或者照射角度均有区别,不同来源的肺部数据集的数据分布不同,造成新的数据无法应用于已有的检测系统的训练,无法通过增加数据提高肺结节分类算法的性能。造成数据使用率不高、标记训练成本过高以及分类模型容易过期等问题。本文提出了基于迁移学习的计算机检测算法。利用不同模型之间的相似性,利用分布不同的肺部数据构造更为可靠的迁移分类模型。本文主要研究内容包括：(1)提出了基于AdaBoost的肺结节检测算法。分别使用SVM、KNN作为AdaBoost的基本分类器,选择高斯核函数作为SVM的核函数。实验结果表明,该方法在只有肺部源训练数据情况下肺结节检测识别率提高了约2%。(2)提出了基于迁移AdaBoost的肺结节检测算法,利用少量的源训练数据对大量的辅助训练数据进行选择。在算法每一轮迭代中,错误分类的辅助训练数据权重持续减小,最终实现适合帮助目标数据构造分类模型的辅助训练数据的迁移。实验结果表明,该算法的肺结节检测识别率比传统的分类算法提高了1%-6%。(3)在以上工作的基础上利用Matlab和Visual Studio2003设计了一套基于迁移学习的肺结节检测系统,可直接用于放射科医生的临床辅助诊断。