胶囊内窥镜可以在病患无痛的情况下让医生直接看到病患体内消化道的全部图像,由于相比传统内窥镜以及其他图像处理技术的巨大优势,使得胶囊内镜在医院得以广泛使用。但是胶囊内镜将产生6-8万张图像,现有的人工诊断方法对于医生是一个耗时费力的工作。为了解决这个问题,运用计算机技术对海量图像进行分类并筛选出具有潜在病变的图像有着重要的意义。本文主要解决病变图像筛选中的特征提取与特征生成问题。对于每一幅胶囊内镜图像,提取具有强区分度的特征对病变图像筛选性能有着至关重要的影响。而经过特征提取后得到的大量高维特征向量,要求尽量降低特征向量的维度,以保证分类的有效性和准确性。但现有的算法筛选出的病变图像过少准确性较低使得筛选结果不可信,无法满足减少医生工作量的要求。本文分别在胶囊内镜图像特征提取和对提取出的高维特征向量进行征选择两个方面,对胶囊内镜图像病变检测进行了相应的算法研究并进行实验得出结论。主要的研究内容和贡献如下：第一,采集到的胶囊内镜图像都是彩色图像,但不同颜色空间具有不同的图像表征特性,本文运用二分光反射模型分析不同的颜色空间的颜色恒常特性。颜色特征是图像低层特征提取中最直观、应用最方便的特征,而形状特征是连接图像低层原始特征和高层语义特征之中的一种低层特征。本文提取彩色图像的九阶颜色矩、颜色张量作为图像的颜色特征,提取图像的Zernike矩作为形状描述特征来生成特征向量。实验结果表明这三种特征均具有良好的分类性能。第二,胶囊内镜图像具有丰富的纹理信息并且病变区域和非病变区域具有显著的纹理信息差异。本文首先分析现有的纹理提取方法——局部二重模式和小波变换,进而采用局部三重模式和Contourlet变换来提取内镜图像的纹理特征,其中局部三重模式可以有效减少阴影噪声的干扰而Contourlet变换可以有效提取图像方向上的纹理信息。最后提取一种融合纹理特征,使得分类性能进一步提高。第三,虽然提取的每种特征均具有较好的性能,但由于不同特征可能相关性较小,同时在有限数量的训练样本情况下,降低输入分类器的特征向量维度可以有效提高性能。因此本文运用特征选择算法对提取的不同颜色、纹理和形状特征进行特征选择生成性能更好的特征向量。实验表明,经过特征选择后的特征向量具有比线性组合全部特征得到的特征向量具有更好的分类性能。