在医学上痔疮为常见、易发的病症，目前在中国有很多人患有这种病症。痔疮的传统诊断方法是医生根据自己多年的专业知识和临床经验对病症进行诊断。该方法要求医生的专业知识扎实、临床经验丰富，且容易误诊，工作效率低[1]。随着计算机科学和人工智能学科不断的发展，为了提高肛肠病症识别的准确率及其智能化水平，该领域的很多医学专家希望能借助专家系统自动识别出肛肠病症。针对以上考虑的问题，本文主要是对肛肠病症图像的分割和识别方法进行研究。首先，对医学临床上拍摄的图片进行选取，并分别用Grey-World，Shades ofGrey，max-RGB和Grey-Edge算法对图像进行亮度调整。把调整好的图像转换成灰度图像，在对这些图像用中值滤波，均值滤波方法去噪。其次，为了研究图像感兴趣区域和排除一些不相干的因素，因此需要对图像进行分割。在进行了图像预处理的基础上，分别用半阈值分割法、改进的一维最大熵阈值法及二维最大熵阈值法对图像进行分割。文中通过多次实验发现半阈值分割方法能有效的分割图像，而且通过该方法分割的图片对提取图像纹理特征是非常有效的。为了提取图像的不变矩特征，文中用Krisch边缘算子对分割后的图像进行边缘检测。然后，对分割的图像进行特征提取，本文提取了图像的统计特征、形状特征、纹理特征。在统计特征方面选取了图像的灰度均值、方差、熵，在形状特征方面选取了Hu不变矩，在纹理特征方面选取了灰度共生矩阵，灰度-梯度共生矩阵。把提取的特征数据用PCA（主线性元分析）方法进行降维，提取主要成分输入到分类器中进行训练。根据模式识别中提供的识别方法，文中分别选择SVM(Support Vector Machines，SVM)和BP神经网络法对数据进行训练和识别目标。最后，在Matlab软件平台，分别用这两种识别方法进行实验仿真。根据仿真结果，BP神经网络算法的识别率稍微比SVM算法高，但考虑到本课题样本数量较少，以及识别方法的稳定性，SVM识别方法更适合本课题的识别。