O câncer é uma das principais causas de morte por doença, sendo o câncer pulmonar a forma mais comum da mesma e também a que mais causa fatalidades no mundo. O diagnóstico precoce é essencial para a sobrevida de pacientes, por promover maior chance de cura e opções de tratamento. Dessa forma, é importante integrar ferramentas computacionais ao processo de classificação de nódulos pulmonares, pois elas possuem o potencial de auxiliar no processo de diagnóstico do câncer de pulmão. É importante integrar ferramentas de Auxílio ao Diagnóstico por Computador (CAD) no processo classificatório e no de decisão no que se refere ao curso de tratamento a ser adotado, visto que essas ferramentas podem agir como uma segunda opinião ao especialista. Diversas técnicas podem ser realizadas nesse sentido, como o uso de radiomics em conjunto com técnicas de Aprendizado Profundo (AP), mais especificamente Redes Neurais Convolucionais (RNC), nas imagens de TC. Essas técnicas são comumente utilizadas de maneira exclusiva, no entanto, o uso em conjunto dessas abordagens tem se mostrado eficaz em melhorar o desempenho de modelos classificatórios. Técnicas de recuperação de imagens baseada em conteúdo (CBIR - Content-Based Image Retrieval) têm sido descritas como ferramentas de diagnóstico diferencial promissoras, pois são capazes de recuperar em grandes bases de dados casos similares previamente diagnosticados. O objetivo deste trabalho é construir um modelo computacional capaz de detectar, classificar e fazer recuperação de imagens baseada em conteúdo utilizando a fusão de atributos profundos e atributos radiomics.