肺癌是全世界死亡率最高的恶性肿瘤,也是我国新增发病数和死亡率最高的恶性肿瘤,给人类健康带来巨大的威胁。肺癌CAD在肺癌早期检测方面具有重要作用,但由于肺部疾病繁多,组织结构复杂,导致CAD检测得不到良好的临床效果。如何提高检测准确率是目前研究工作的重点。本文主要研究肺癌CAD中的肺实质分割、候选结节提取、特征提取和假阳去除,以提高检测的准确率。肺实质分割作为肺结节自动检测的第一个环节,能有效减少搜索范围,减少后续处理的任务量。由于粘连胸膜结节和粘连血管结节CT值与胸腔CT值接近,采用阈值法分割易将该类结节分割出去,导致漏检。因此,需进行肺实质修补,将其包含进来。本文在二维凸包算法的基础上,提出了一种改进向量法重点对肺内部结节凹陷进行修补。该方法首先对肺CT图像进行二值化、去除气管等操作,得到初始肺实质区域。针对二维凸包修补内部结节凹陷效果不佳的情况,运用改进向量法修补内部轮廓凹陷。通过与已有方法的对比,证明改进向量法能有效提高检测的准确性。候选结节区域提取建立在肺实质分割的基础之上。将真结节提取出来并保留尽可能少的假结节是该阶段的难点。本文首先基于阈值法进行候选结节初步提取,针对提取后假阳数目过多的情况,采用分层法去除部分假阳。该方法首先根据面积阈值去除部分细小假阳,再根据线性度阈值去除部分管状血管。实验结果显示,该方法有效去除了部分假阳,降低了后续处理运算量。假阳去除是尽可能去除假结节,保留真结节,是肺癌CAD的关键。特征提取是假阳性去除的基础。本文提取了候选区域的灰度、几何、形态和纹理等共20个特征。由于候选结节数据中负样本远多于正样本,是典型的不平衡数据。本文采用基于交叉验证的Gentle Adaboost方法进行分类。该方法利用交叉验证的方法寻求Adaboost算法最佳迭代参数。通过与SVM分类算法对比,证明了该方法分类的准确性。