近年来,肺癌是全球范围内致死的主要原因之一,肺癌早期的诊断和治疗可以有效提高肺癌的5年生存率,肺结节是肺癌的潜在表现。CT影像是检测肺结节和非小细胞癌的有效筛查工具,但由于肺癌早期肺结节结构复杂,形态多变和随时间演化的不确定性,即使有经验的放射科医师也难以确诊某些病例CT图像中的恶性结节和良性结节。同时随着医疗影像技术越来越成熟,医疗影像数据呈爆炸式增长,人们提出了借助计算机辅助诊断系统,帮助医师提高肺结节诊断的效率和确诊率。在肺结节的良恶性诊断方法中,提取到能全面有效表征肺结节的特征是关键的步骤,之后利用合适的分类技术实现肺结节的良恶性分类。本文考虑到肺结节临床的三维特性,而结节的二维传统视觉特征难以有效表征结节的空间性质,同时单一特征不能完善全面的表征结节,造成诊断分类精度不理想的情况,提出了基于三维尺度不变特征的肺结节良恶性诊断方法和一种在CT图像上联合三维深度和视觉特征的肺结节分类方法。本文的主要研究内容和创新如下:(1)针对传统肺结节良恶性诊断中提取的二维特征不能有效的表征肺结节的异质性,从而造成诊断准确率低的问题,提出了基于三维尺度不变特征的肺结节良恶性诊断方法。首先计算肺结节序列图像上的尺度不变特征点,根据每个特征点三维邻域的梯度幅值,方向信息和灰度差累加直方图,建立特征点的三维尺度不变特征描述子,然后采用基于距离寻优的模糊C-均值聚类算法建立视觉词典,进而利用经典的统计学词袋模型建立每个肺结节的特征表示,最终使用支持向量机实现肺结节的良恶性诊断。实验结果表明,该方法能有效的分类肺结节,具有较高的准确率、敏感性、特异性和ROC曲线下面积。同时,证明了肺结节的三维特征比二维特征更有区分性,以及恶性度为“3”的不确定性肺结节的征象更相似于良性结节。(2)传统视觉特征尽管被广泛使用,但仅描述了结节异质性的一个视角,单一的传统视觉特征难以全面有效的表征肺结节。深度学习模型在图像分类任务中取得了很好的效果,然而生成大规模以病理学实验或放射科医师人工标记的有标签数据是不现实的,训练数据的不足可能导致深度学习技术无法达到令人满意的效果。同时考虑到临床肺结节的三维特性,本文提出一种联合三维深度和视觉特征实现肺结节良恶性分类的算法。该算法提取基于三维卷积神经网络的深度特征以及基于三维尺度不变转换纹理描述子和基于三维形状指数形状描述子的视觉特征,针对每类特征训练多核Adaboost分类器,并在决策层联合三个分类器的结果以区分肺结节。与LIDC-IDRI数据集上四种最先进的结节分类方法进行了对比,实验结果表明,该方法在决策层将三维深度特征和视觉特征相联合可以提高肺结节分类的性能。