近年来科学技术的发展使人工智能技术得到飞速的发展,AI技术应用于教育、民生、医疗等各个行业,在不同的行业发挥着非常重大的作用。计算机技术在医疗行业的作用显得尤为重要,尤其在本次新型冠状肺炎疫情中计算机辅助诊断系统通过快速高效的判读CT图像极大的减少了一线工作人员的工作量,减少了很多人工操作,降低了医护人员感染风险且判读准确率高,因此计算机辅助诊断系统的研究应用意义重大。本文主要以宫颈细胞学图像为研究对象,通过对原始图像进行图像分割、特征提取、图像识别三个步骤的操作完成了计算机辅助细胞学图像病理判读的工作。图像分割是图像处理中的关键技术,准确有效的分割结果能够让医生及时检测和准确诊断病人病情。分水岭变换由于计算速度快、分割精度高等优点在图像处理领域有非常广泛的应用,但是该算法的缺点也非常明显,容易出现过分割现象。针对分水岭变换的过分割问题本文结合k-medoids聚类算法对分水岭变换算法做出了改进。算法首先将原始RGB医学图像转换成灰度图像,利用多尺度形态学梯度算子获得梯度图像,然后利用k-medoids算法对相似的梯度图像进行聚类以简化梯度图像,再对简化后的梯度图像进行分水岭变换,得到分割图像。计算机辅助诊断系统需要提取图像中的特征信息并对特征信息进行识别才能完成判读工作。为了更好的描述图像中像素点在不同距离、不同方向上的关联性,本文选取图像的纹理信息作为判读特征,并用灰度共生矩阵来描述图像的纹理特征。传统算法中计算在。0°、45°、90°、135°方向上的灰度共生矩阵并以能量、熵、相似性、惯性矩等值作为特征值,这种算法能够清晰的描述图像的纹理特征,但是实验表明不同类别的宫颈细胞学图像在该算法下特征值差异性小,这给后续的图像识别工作带来很大的困难。针对这个问题本文提出了一种基于向量拟合的灰度共生矩阵计算方式,即将图像在。0°、45°、90°、135°方向上的能量、熵、相似性、惯性矩在原有方向矢量化,取四个方向向量和的模值作为最终的特征值。本文用支持向量机(SVM)对图像特征集进行训练和测试,通过三组测试实验结果表明根据改进的特征参数进行识别比传统的特征参数准确率都高,从而能够更好的完成宫颈细胞学图像判读工作。为了检测本文算法的可实施性,本文在MATLAN仿真环境中按照图像分割图像、特征提取、图像识别的思路设计了细胞图像辅助诊断系统,实验表明本文算法能够在MATLAB仿真环境中实现细胞图像分割检测的功能。