随着医学图像采集设备(如X光、CT和MRI)的普及,医学图像依然成为了记录和保存病人生理疾病信息的重要载体。一方面,医学图像日复一日的增加,给医生工作者带来了额外的负担,并且一些器官病变结构十分复杂,使得难易通过肉眼观察给予客观判断;另一方面,随着计算机性能的提升和模式识别技术的进一步发展,使得依赖计算机进行智能医学图像识别向前迈进一步。然而,由于医学图像信息丰富,包含器官结构复杂,对于提取特征和识别过程有一定难度。单一的特征只包含某一方面的信息,缺乏全面性。因此如何将多特征融合应用在医学图像识别中,是当前计算机科学和医学跨学科领域研究的重要课题。本文主要研究医学图像特征提取和多特征融合算法及其在识别分类中的应用,具体创新点和主要贡献包括:1、提出了基于Haar卷积模板的混合滤波快速提取SURF算法。通过对Haar小波响应中卷积模板的改进,使得在不依赖额外资源和损失特征判别性的前提下,将SURF特征的提取时间节省27%左右。2、改进了基于核函数的典型相关分析多特征融合算法。通过对每一对典型相关向量赋予不同的权重信息,使得特征之间的相关性更加显著,在多特征融合和医学图像识别方面,相对于其他融合算法提高约5%,相对于单一特征提高约10%。3、提出了基于混合属性的谱聚类相似度量算法。通过引入局部尺度和局部密度的概念,使得相似矩阵更加趋于块状化。相对于其他主流的谱聚类算法,简单有效,在准确率上有大幅度地提升。4、提出了新的基于视觉词典学习的多特征融合算法。在视觉词典构造方面,不同于BOW思想,采用基于混合属性的相似度量算法构造单词。通过LR模型和L1正则项,使得每一类图像都能通过少数判别性视觉单词来表达,并利用LR模型的输出结果,生成一种边际核函数。实验结果表明在识别率上,较单一特征提高约20%,较SLF和WKCCA融合算法提高约6%-10%,整体识别率在87%左右。