随着胸部PET-CT图像在临床上的应用越来越广,PET-CT技术已经成为医生进行肺部功能评估以及肺结节病理研究与诊断的重要手段之一。然而,PET-CT扫描会产生大量的图像数据,直接增加医生的工作量,带来漏诊率和误诊率的增加。计算机辅助诊断方法是结合计算机技术和影像学诊断方法进行医学图像中病变的辅助检测和诊断的,相对于主观的、不稳定的人工阅片,计算机相对客观和一致的判断能够提高对病变检测和诊断的敏感性和特异性。孤立性肺结节是大多数肺癌的早期表现,尽早实现对孤立性肺结节的检测与诊断是提高患者生存率的关键。因此,基于PET-CT胸片的孤立性肺结节计算机辅助诊断方法成为研究的热点。在基于医学影像的肺部疾病计算机辅助诊断系统中,分割技术是实现孤立性肺结节检测的基础,分类技术是实现肺结节良恶性诊断的关键,因此,本文的研究主要从肺结节的分割和分类算法展开。在孤立性肺结节分割算法的研究方面,提出了一种基于子区域聚类的肺结节分割方法,其中的聚类算法是采用基于粒子群优化的自生成神经网络。该算法主要是针对含有磨玻璃、空泡等成分的非(亚)实性肺结节的分割问题提出的,这一类肺结节由于其内部密度不均匀、边界对比度不高,而在传统的分割算法中分割效果不理想。本文提出的分割方法首先将图像粗分割为小区域,然后基于CT特征采用智能寻优的聚类算法自适应地进行区域聚类,最后基于PET特征实现目标区域的检测与分割。在临床数据上的实验结果表明,该算法对实性和非(亚)实性肺结节都能够实现完整分割。在孤立性肺结节分类算法的研究中,首先提取和构造了孤立性肺结节的特征数据集,然后基于自生成神经网络算法在解决聚类和分类问题中的优势,构建了一种基于混合优化的自生成神经网络算法的分类器,研究了其在孤立性肺结节的分类应用中的有效性。在分类器训练过程中,设计了一种综合剪枝优化和M-L优化的网络优化方法,有监督地对分类网络结构进行调整。在测试阶段,采用基于类中心距离和自动连接距离的识别方法将病灶进行良恶性分类。在分类数据集上的仿真实验结果表明,基于改进自生成神经网络的分类器能够提高良恶性诊断的性能,实现更有效的肺结节分类。