肺癌是一种常见的恶性肿瘤,由于其具有发病率过高、死亡率的增长速度过快等特点,长期以来始终对于人体的生命和健康都是一个巨大的障碍和隐患。如果能在其发病早期就得到诊断和治疗,就能够大大提高病患的存活率。肺结节是肺癌的早期表现形式,利用计算机辅助检测的方法对肺结节进行早期诊断已经逐渐成为近年来发展的热点。本文不同以往的研究思路,研究了一种从机器学习的角度出发、利用时间序列相似性检测算法的思想对肺结节的形态征象进行检测和识别,并结合含有与结节良恶性相关程度最高的形态征象以及含有语义信息的其他医学征象,对肺结节的良恶进行了检测识别,具体的工作和取得的相应成果有以下几项内容：(1)利用阈值法和区域生长法从美国公开数据库提供的人体肺部CT原始图像中将肺结节提取出来,并利用边缘检测和边缘跟踪算法提取出肺结节的外部形状轮廓,即肺结节外边缘。(2)研究以角度为横坐标,距离为纵坐标,将肺结节的外部边缘按照与肺结节中心点的夹角以及位置,把它展开成一条序列,并结合三次样条插值与均匀采样的算法把这条描述肺结节外部边缘形状特征的序列转换成为一条特殊的“时间序列”。(3)针对与肺结节良恶性相关程度最高的形态征象——毛刺征和分叶征,研究了利用时间序列相似性检测的算法对肺结节的毛刺征和分叶征分别用DTW算法和PRCD算法进行检测,实践结果表明,这两种算法分类准确率均在80%以上,比传统的数学描述算法有更高的准确率和鲁棒性。(4)研究了利用含有高层语义信息的、与肺结节良恶性相关程度较高的四个肺结节医学征象：毛刺征、分叶征、空洞征和钙化征对肺结节进行计算机辅助良恶诊断,以这四个医学征象作为特征,以SVM作为分类器对其进行分类,输出预测肺结节良恶诊断结果。理论和实验均表明,本文的研究思路和方法为计算机辅助检测肺结节形态特征提供了一种新的思路,经实践证明,利用这种方法描述肺结节形态征象比传统的数学描述方法具有更高的准确率和鲁棒性。