冠心病的及时有效诊断是长久以来心血管疾病领域备受关注的问题。近年来,血管内光学相干断层扫描系统(IVOCT)成为热点,被越来越多的临床医生所接受。IVOCT与血管内超声系统(IVUS)较为相似,特别是其超高的成像分辨率(10-20μm)使得对冠状动脉内壁的精确观测成为可能。尽管美国心脏协会已经发表IVOCT影像学表征的共识性文件,但是由于IVOCT系统单次扫描产生图像多,临床诊断时的影像阅读成了费时费力的工作。本课题尝试根据统一的IVOCT影像阅读标准,对冠状动脉粥样硬化血管壁上的几种典型组织:纤维组织、钙化组织、脂质组织进行自动识别分割,为临床诊断读图提供便利和辅助信息。实验尝试用经过预处理后的IVOCT图片进行分析、分割。所有的图像数据均来自临床病人检查。预处理的步骤包括:滤波、去除导丝伪影、去除成像导管伪影、利用大津阈值分割(OSTU)算法提取血管内壁并确定后续分析的感兴趣区域(ROI)。随后,实验对预处理所获得的图像进行数据增强,之后尝试对图像提取衰减系数特征和基于灰度共生矩阵的图像纹理特征。根据所提取的特征,实验选用支持向量机(SVM)进行组织识别分类。此外,根据获得的结果和数据,还就各种特征的获取和参数设置进行了讨论,运用数据分析的方法探索了如何选择加入分析的特征。最后,还对该方法存在的局限性进行了分析。实验结果显示,从对数变换调整灰度后的图像中获取的252维特征比从未经对数变换的图中提取的特征表现良好。特征筛选方面,使用基于学习模型的特征筛选方法较为有效。分类器的选择上,随机森林分类器获得了82.5%的准确度。相比之下,支持向量机分类器获得了84%的准确度。可以认定,训练所得的基于逐像素点分类的分割方法对该任务总体适应良好,具备辅助临床IVOCT图像阅读的可能。