近年来,结直肠癌已成为全球发病率与死亡率较高的癌症之一。结肠息肉具有恶化为肿瘤的风险,早期检测和移除能明显提高病人存活率。随着人们预防意识的提高,医院内结肠镜检查的人数不断增加,从生成的海量图像中筛查出息肉图像逐渐成为医生诊断的难题,同时息肉遗漏也是结肠镜检查的主要风险之一。因此,研究肠镜图像的智能分类与辅助诊断具有非常重要的意义。本文针对肠道息肉的特性,提出了基于多特征融合与显著性检测的肠镜图像分类系统,旨在从大量图像中检测出含有息肉的图像,为医生提供辅助诊断。仅基于特征分析的现有分类模型,由于正负样本具有太多的相似信息从而制约了分类效果。因此,本文将数字图像处理、机器学习算法和显著性检测结合,应用于肠镜图像分类。主要研究工作如下:1、设计了一个兼顾实时性和高效性的预处理系统,来构建肠道图像数据库。主要包括感兴趣区域提取、光斑检测与修补和劣质图像剔除,尽可能避免干扰因素影响,尤其是高亮光斑产生的附加边界。2、设计了基于多特征融合与字典学习的肠镜图像分类框架。特征提取是机器学习算法的核心部分,本文针对颜色和纹理进行了多特征的提取与融合,特征之间的互补提高了样本的可区分性。基于字典学习的训练用于学习提取的特征,并使用稀疏表示形成最终特征向量,在支持向量机中进行训练和分类。3、以流形排序算法为主,息肉中心先验为辅,提出适用于肠息肉的显著性检测模型。肠息肉的形状特性有助于差异算子与边缘检测拟合息肉中心,结合多尺度流形排序,构建的显著图能有效检测出息肉块,忽略背景区域。此时提取的特征更注重于息肉区域,解决了正负样本间的相似性问题。4、在构建的数据库下,对所提的肠镜图像分类系统进行仿真测试,验证了其有效性。