计算机断层图像(Computed Tomography,CT)是医学临床中较为常见且重要的辅助医疗手段,其对于医生的诊断决策有着很重要的意义。随着医学影像的发展,智能化的自动定位、分割等医学图像处理手段愈加得到业内人士的青睐。其中,检测定位问题是许多医疗辅助手段的先决条件,高效智能的定位方法能够提高医生的病理分析效率,使其能够更加专注于治疗诊断。所以本文创新性提出一种基于HOG3D的3维CT图像的自动器官定位方法。首先,为了提高特征提取的梯度信息质量以及针对CT图像中的噪声情况,本文对HOG3D进行了改进提出了GHOG3D特征提取方法,改进后的提取方式优势在于利用了高斯核卷积的方式既可以达到梯度计算的效果也可以平滑CT图像中的噪声,保证了梯度计算的稳定。其次,本文根据经典2维HOG特征的行人检测方法进行改进,提出了一套3维CT图像下基于HOG3D的检测方法。对于训练过程,首先需要对样本数据进行预处理归一化,这样可以保证计算出的HOG特征梯度在同一数量级上。然后从数据集的各个样本统一到同一尺寸并进行特征提取。通过梯度下降训练作为待检测器官的最终检测模板。对于测试过程,为了保证不同分辨率下的待检测器官不会被遗漏,本文构建了特征金字塔并在特征金字塔的每一层上分别用训练好的模型进行检测。最终在sliver07数据集和从40位患者采集CT图像并请专家进行手工标注构建成的数据集上进行验证,实验表明基于HOG3D特征对于3维CT图像的器官检测有着良好的效果。第三,为了更加精细检测效果,本文针对腹部器官的尺寸变化剧烈问题提出了多尺度模型检测的方法。首先将训练样本进行一定尺度的放缩,针对放缩后的样本预训练多个不同尺度大小的器官检测模型,分别在待检测CT图像上检测。实验最终表明,多尺度模型的检测结果要比单一尺度模型的结果更加准确。同时,受到RCNN中边框回归方法的启发,本文提出了3维边框回归方法,通过回归学习缩放、平移系数的方式得到变换系数模型,将学习到的变换系数作用于初始检测模型即可达到精细检测的效果。最终在数据集上重新检测发现各个器官的检测结果均有不同程度的提高。