随着计算机科学技术的快速发展和医学图像采集设备的大量普及,医学图像已经被广泛的应用在临床诊断上,这其中包括CT、MRI、PET等多种模态图像。它们为医生的诊断提供了丰富而又宝贵的信息,提高了医生诊断的效率和准确度,极大的促进了医学领域的发展。现阶段,医学图像的数据量急剧攀升,如何高效准确的对大量的医学图像数据进行分类,使其更好的辅助医生进行诊断成为了基于图像数据挖掘研究的热点。然而,由于医学领域的特殊性和医学图像的复杂性,都增加了对医学图像分类的难度。当前,对医学图像分类技术的研究还处在起步阶段,仍有很多关键的问题亟待解决,继续深入研究医学图像的分类技术有着十分重要的现实意义。另外,如何直观并且准确的向医生展现分类的过程和结果正日益被人们重视,信息的可视化作为一种有效的传达和展示信息的手段,特别是随着D3可视化技术的不断发展,它把图形、文字、色彩等视觉元素结合起来,并允许医生进行交互式的操作,使医生能够更快捷的理解分类的过程和结果。针对目前存在的问题,本文对医学图像分类技术进行了研究,并实现了医学图像分类的可视化,主要工作如下:1)针对医学图像建模过程中图模型不准确问题,提出了基于K最近邻纹理角点(K Nearest Neighbor Texture Angular Points,KAP)有向图模型。KAP有向图模型充分的利用了脑部CT图像良好的纹理特性,在纹理位置处提取角点并作为图模型的顶点,这保证了KAP有向图中顶点的代表性和降低了构图的复杂性。同时,通过在KAP有向图中建立有向边,充分的考虑了顶点和顶点间的空间结构关系。并结合医学领域的知识赋予每个顶点相应的可移动范围,使本模型能够真实反应出脑部CT图像的特点,更具有实际应用价值。2)针对医学图像分类过程中图模型间相似性匹配精度不高问题,提出了KAP有向图多步匹配方法,包括以下三个步骤:首先,提出了KAP有向图粗粒度匹配算法,用来返回两张KAP有向图间顶点的初始匹配序列;其次,提出了KAP有向图细粒度匹配算法,此算法引入了QFV和HFV描述符,用来对KAP有向图间的顶点进行进一步的匹配;最后,提出了KAP有向图匹配的优化算法,包括伪同构结构排除方法和遭误删顶点找回策略,从而准确的实现了KAP有向图的相似性匹配过程,得到了KAP有向图间相同的顶点和公共子图。3)进行对比实验,从分类时间、准确率、召回率等方面对分类器进行评估,并与现存的医学图像分类方法进行对比,证明了本方法在时间复杂度和准确度方面都取得了较好的效果。最后,设计了医学图像分类可视化系统,对分类的过程和结果进行了可视化展示。