周围神经损伤是骨科临床的常见疾病之一,为获得最佳的修复效果,其中需解决的首要问题便是如何准确地识别周围神经中主要包含的运动及感觉神经。鉴于临床上识别神经束性质的方法均存在局限,本文将基于实验室自行研制的显微高光谱成像系统,结合图谱信息对周围神经的分类进行探索性研究,主要基于IDL编程,通过大量实验进行对比分析,取得了阶段性的成果：(1)针对数据采集过程中所产生的系统噪声,主要对比分析了图像维和光谱维联合校正算法及基于朗伯比尔定律的预处理算法,两者都能很好地消除系统噪声,但结合k近邻分类器的分析表明,经联合校正算法处理后的数据具有更高的分类精度。(2)为实现神经样本的特征分析及有效分类,同时为有监督算法提供标准的样本光谱。本文基于纯净像元指数,提出一种通过交叉对比进行像元提纯的方法,相较于N维可视化分析,该法更适用于数据中包含多个类别时；通过分析各类别纯净像元的均值波谱曲线表明,无论是染色还是未染色的神经样本,运动及感觉神经的轴突／髓鞘波谱曲线间都存在差异,这为神经分类的可行性提供依据。(3)在针对神经分类的研究中,主要从基于距离测度学习的分类算法和基于高光谱统计特征的分类算法两个方面展开研究。在基于距离测度学习的分类算法中,结合k近邻分类器,在研究部分距离测度学习算法的基础上,提出了独立一差别分量分析算法,相较于其他距离测度,该法获得了较高的分类精度；但总体上,k近邻分类器具有较大的时间开销,且针对神经样本的分类表现并不优越。因此在基于高光谱统计特征的分类算法中,主要研究了支持向量机、最大似然法等分类算法,并结合各距离测度提出最大似然法推广算法,相较于k近邻分类器,各算法都具有较高的运行效率且进一步提高了分类精度。综合实验结果表明,对于染色样本,结合相关分量分析的最大似然推广算法表现最好,而对于未染色样本,最大似然法表现最好。(4)基于以上算法的对比分析结果,考虑到现有系统软件只能实现观测目标高光谱数据的采集,为进一步扩展系统功能,并结合C++ builder及IDL各自的编程优势,实现将预处理算法及部分表现优异的分类算法嵌入到系统,以满足非专业人员对显微高光谱数据的处理要求。