孤立性肺结节良恶性分类是医学图像处理中的重要组成部分。基于肺结节复杂的图像特征和传统人工诊断提取存在的挑战性与对肺结节识别中的不确定性因素的存在,因而要充分发挥机器学习在诊断中的辅助性功效,实现优势互补。鉴于此,本文引入深度神经网络,将卷积神经网络模型应用到孤立性肺结节良恶性分类中,充分利用其比传统方法学习能力更强、学习方法更便捷且可以降低图像特征等特点,以减少肺部CT图像中肺结节的特征提取数量,充分利用支持向量机泛化能力强的优点,提高地域性小样本肺结节良恶性识别的准确率。首先,本文针对孤立性肺结节的良恶性分类的研究现状进行分析,研究深度神经网络与支持向量机的分类方法对肺结节分类方法的效果。其次,详细介绍卷积神经网络的原理,比较卷积神经网络的优缺点,探究卷积神经网络对孤立性肺结节进行提取的过程,使用批量归一化等方法来改进卷积神经网络的过拟合,并引入自动微分计算梯度方法以提高算法对肺结节良恶性分类的准确率。再次,本文的研究基于支持向量机的图像分类算法,利用支持向量机对小样本泛化能力强的特点,将布谷鸟搜索算法改进并用于其中,利用其寻优能力强的优点,以寻找支持向量机的相关参数,有效提高支持向量机对地域性的肺结节良恶性的分类效果。最后,卷积神经网络与支持向量机算法对孤立性肺结节的良恶性分类,并与之前的相关方法进行对比实验分析。实验结果表明,本文提出的方法在地域性小样本的孤立性肺结节的良恶性分类中的特异性、敏感性与准确率等性能指标上均有所提高。