在现代医学领域中,癌症始终是人类生命健康的一个重要的威胁。而在众多癌症中,肺癌的发生率和死亡都位居首位。在我国,肺癌往往难以发现,当患者发现患有肺癌时,通常已经处于中晚期。而早期发现癌症病变是其治愈的关键。肺癌的早期通常表现为孤立性肺结节,孤立性肺结节由于其半径较小容易被医师忽略。另一方面,孤立性肺结节的良恶性判断通常需要进行病理检验,医师单纯通过影像很难确定其良恶性。而计算机辅助诊断系统,能够比医师从图像中获取更多的诊断信息,为孤立性肺结节的影像学的良恶性判断提供了条件。本文提出了一种基于混合成像的孤立性肺结节的分割与分类方法,该方法可以有效的检测患者肺部的孤立性肺结节,为后续的计算机辅助良恶性判断提供了条件。本文依托于“基于混合成像的孤立性肺结节计算机辅助诊断方案”的国家自然科学基金。本文依据有经验的医师的诊断思路,通过交互使用混合成像的信息达到结节的分割和检测。本文的研究分为一下两个方面。首先是可疑结节的分割工作,将可能是孤立性肺结节的区域从影像中分割出来。其次是可疑结节的分类,将分割出的可疑结节提取特征进行分类,判断其是否为结节。在可疑结节分割的阶段,首先需要对CT图像进行预处理,本文选择了增强扩散滤波器进行图像的去噪处理,去除图像在产生和存储时产生的噪声。该方法可以有效的保留肺实质和内部结节的边缘信息。去除噪声后进行CT图像中肺实质区域的分割,本文采用了基于最优阈值的动态分割法,该方法有较高的分割效率。在得到肺实质区域后,通过基于互信息的配准方法得到PET图像与CT图像之间的坐标映射关系,将CT中的肺部区域映射到PET图像中的到PET中的肺实质区域。然后在PET图像中采用本文提出的基于可变大小的模版匹配法,得到可疑结节区域,将区域转化为种子点序列。通过配准得到的坐标映射信息,将种子点映射到CT图像中。最后在CT图像中采用改进的风水岭算法进行可疑结节的精确区域的分割。经过与医师的手动分割结果对比验证,通过本文提出的分割方法的到的可疑结节的分割结果与手动结果具有高度一致性。在得到可疑结节的区域后,本文通过提取可疑结节区域的纹理特征和代谢特征组成特征向量进行机器学习分类,判断可疑结节是否为孤立性肺结节。其中CT中特征提取采用了计算灰度共生矩阵的方法,PET中提取了SUV均值和最大值。在机器学习中选用了基于径向基核函数的SVM分类器。经过实验验证,本文提出的方法能够在保证灵敏度的基础上有效的降低假阳性。