目的　通过对数据集进行目标区域分割、特征提取等操作,建立随机森林模型,以实现有无早期肺癌风险的分类研究.方法　使用BiSeNet算法实现图像分割,并将分割后的图像转换到YCbCr颜色空间模型[亮度(Y)、蓝色分量(CB)、红色分量(CR)]上,通过CB与CR　2个分量的取值寻找非肤色点,对非肤色点采用9×9均值滤波器进行滤波,并在该颜色模型下提取颜色特征值,再将图像转换到灰度空间,在其灰度共生矩阵上获取其纹理特征值.将这些特征值作为输入构造随机森林分类模型,构造随机森林时使用ID3算法构造决策树,通过调整决策树个数和最大特征数寻找最优分类模型.结果　BiSeNet面部图像分割准确率为96.25％;在YCbCr颜色空间上具有椭圆肤色聚类的特性,可以检测到非肤色点;经调整发现2个超参数决策树个数、最大特征数取值分别为30和4时,随机森林模型性能最优,其准确率能够达到87.34％.结论　通过面部的颜色特征以及文理特征信息,可以进行早期肺癌的分类研究,经实验分析肺癌患者面部红色特征以及文理特征与未患肺癌相比,存在显著差异,有助于有无早期肺癌的分类判断,为临床上早期肺癌的发现提供辅助依据.