甲状腺结节是指甲状腺细胞在腺体内非正常增值导致的局部肿块。计算机断层成像(CT)检查是甲状腺结节诊断的有效手段，对于胸骨后或含粗钙化的甲状腺影像诊断具有明显的优势。但在临床实践中，甲状腺CT诊断结果容易受影像科医师个人的理论知识和从业经验的影响。而且，在日常工作中，影像科医师需阅读大量CT图像，容易因视觉疲劳导致图像中细微征象被遗漏，如微钙化等。为了克服以上不足，协助影像科医师提高工作效率，并提供甲状腺结节检测和良恶性鉴别诊断需要的客观和定量信息，本论文针对甲状腺CT图像影像标志物，深入研究了基于CT图像的甲状腺结节检测和结节良恶性鉴别计算机辅助诊断技术。　　首先，本论文对基于CT图像阈值的甲状腺结节检测技术进行了研究。甲状腺结节病理变化引起组织密度的改变，最终表现为CT图像灰度的升高或降低。依据该理论基础，我们提出了一种基于CT图像阈值的甲状腺结节检测方法。该方法预先采用中值和均值滤波方法降低图像噪声对图像质量造成的影响。接着，采用人工手动勾画甲状腺边界结合数字图像处理技术提取感兴趣区。并设计了2×2异常灰度检测算子，通过阈值最优化流程分别设置检测算子的高密度和低密度阈值，在感兴趣范围内遍历所有像素，如果邻近四个像素的灰度值均大于高密度阈值或小于低密度阈值，则认为有甲状腺结节。实验结果证实该方法可以有效检测到甲状腺结节，检测准确率达到85.1％。　　为了提高甲状腺结节的检测准确率，本论文又提出了一种基于CT图像纹理特征的检测方法。该方法提取感兴趣区的一阶和二阶统计学纹理特征，一阶纹理特征包括熵、均匀度、方差、灰度均值、峰度和斜度等;二阶纹理包括灰度共生矩阵(GLCM)和灰度梯度共生矩阵(GLGCM)的28个纹理特征。使用反向传播神经网络和支持向量机等分类器对正常甲状腺组织和甲状腺结节图像进行分类。该方法既包含了灰度图像的统计学特征信息又考虑了像素之间的空间位置关系等因素。通过实验结果证实，该方法的甲状腺结节检测准确率优于基于图像阈值的结节检测方法，升高到89％。　　为了协助医师对甲状腺结节的性质做迸一步鉴别诊断，本论文提出了基于CT图像甲状腺结节良恶性鉴别计算机辅助诊断技术。该技术采用灰度直方图特征、GLCM和GLGCM提取CT图像的纹理特征，对初始数据集使用T检验、Relief法和粒子群优化(PSO)方法的特征优化处理，选用支持向量机(SVM)、随机森林(RF)、Bagging和线性判别分析(LDA)等分类器，并采用留一交叉检验法进行分类效果评价，取得了良好的鉴别结果，甲状腺结节的良恶性鉴别准确率为89.4％。最后，进行了基于该甲状腺良恶性鉴别技术的计算机辅助诊断(CAD)系统与影像科医师的CT图像诊断对照研究，对比分析了恶性结节的诊断准确率、敏感度、特异性和受试者操作曲线下面积(AUC)等指标，对照实验结果显示CAD系统的表现优于影像医师。　　研究结果表明，本论文所提出的CT图像甲状腺结节识别技术能有效检测甲状腺结节和对结节的良恶性做出鉴别诊断，其准确率分别达到了89％和89.4％。研究证实，CT图像甲状腺区域的熵、均匀度、灰度均值等一阶纹理特征和GLCM二阶纹理特征在甲状腺结节识别中具有重要的价值。该技术能有效提高影像科医师的阅片效率，协助他们发现甲状腺CT图像的细微征象，并且可以为甲状腺结节良恶性的鉴别诊断提供客观的和定量的放射组学信息，提高诊断准确率。