尿沉渣中各类有形成分对人体肾脏、泌尿系统疾病具有重要的诊断和鉴别作用，临床中常检测红细胞、白细胞、上皮细胞和管型，管型分为透明管型、颗粒管型等多个种类，不同种类管型的数量对泌尿系统疾病有重要的临床诊断参考意义。尿沉渣图像存在有形成分种类繁多，纹理轮廓千变万化，图像清晰度不统一，色彩亮度分布不均匀和散焦严重等特点。上述特点导致尿沉渣中各类有形成分识别困难、识别速度慢。本文针对上述特点，首先研究了尿沉渣图像形态学变化，并采用图像增强、边缘检测和分割等手段处理图像，然后提取图像的特征矩阵，最后采用基于机器学习的组合算法对其进行分类，并针对管型详细分类为透明管型和颗粒管型。主要研究内容如下：　　尿沉渣图像预处理和初筛选。通过电子显微镜拍照得到的尿沉渣图像有着噪声较严重、杂质干扰强、对比度低、光照不均等问题。首先对原始图像进行去噪声、增强和细胞分割等处理，以此来完成所有尿沉渣图像有形成分的初筛选，从中获得尿沉渣的各类有形成分，处理过程涉及到滤波算法、二值化算法、边缘检测算法以及形态学等处理手段，针对高低倍镜下不同尿沉渣有形成分采取Canny算子和分水岭算法相结合的方式进行边缘检测。　　图像处理之后的尿沉渣有形成分的特征提取。将原图分割为单个目标物图像之后，提取图像的几何、纹理和统计特征矩阵。将特征矩阵数据送入分类器学习，根据学习结果研究这些特征的合理性以及各类特征维度组合对最终分类效果的影响，最终选取识别准确率最高的41维特征。此外，针对Gabor特征数据量大的特点，提出采取(2D)2PCA降维手段来提升算法效率。　　根据高低倍镜下不同有形成分的特点，提出基于形态学、决策树和SVM分类器的组合算法。运用交叉验证法获得分类器的最佳参数，对尿沉渣图像中的红细胞、白细胞、上皮细胞和管型进行有效的分类，并针对管型的子类透明管型和颗粒管型进行更加详细的识别和分类，整体分类识别率达到95%。