研究目的：骨折作为生活中的常见类型疾病，其发生会造成严重危害，如不及时治疗则会造成严重后果。肱骨干骨折是骨折中的常见类型，不仅会损伤神经血管，同时还会造成肩肘关节产生功能障碍。X射线成像是临床中常用的骨折诊断方法，但随着计算机技术的不断发展以及医师对于医学影像数据依赖的与日俱增，医学影像数据的数量大幅度增长，给医师带来严重压力，任务也越来越繁重。基于内容的图像检索（CBIR）作为计算机辅助诊断技术的一种，其具有从大规模医学图像库中检索出相似病例的特点，从而帮助医生诊断给定的疾病影像数据的类型，在医学图像的分类中具有重要作用。因此，本文基于CBIR技术，对肱骨干骨折X射线图像进行骨折和非骨折的分类研究。
　　研究内容：本文从传统特征和深度特征两个方面对肱骨干骨折图像进行分类研究，主要做了以下工作：1、论文首先基于传统特征对肱骨干骨折图像进行图像分类研究。论文首先提取了肱骨干骨折图像的传统纹理特征进行分类分析，提取了包括LBP特征、Gabor小波特征和灰度共生矩阵特征在内的三组图像纹理特征，并基于K最近邻算法使用欧式距离进行特征的相似性度量，分别在检索图像数目(K值)、特征分析两方面对提出的肱骨干骨折图像的检索分类方案的性能进行了评估；2、基于深度特征的肱骨干骨折图像分类研究。论文其次使用深度特征对肱骨干骨折图像进行分类研究，使用GoogLeNet——Inception-V3结构和ResNet网络对肱骨干骨折X射线图像进行深度特征提取，然后使用PCA算法进行降维。相似性的度量同样基于K最近邻算法使用欧式距离对图像进行相似性度量，从检索图像数目和特征分类两方面对所提出的方案分类性能进行了评估。两个实验均以AUC均值和分类准确率作为方案的评价标准。
　　研究结果：对于传统特征，当K的值为50时，方案的AUC均值最大，且当使用特征为综合特征时，方案的AUC均值和分类准确率达到最高，分别为0.973和0.915；对于深度特征，当K的值为10，方案的AUC均值最大，且方案特征为综合特征时，AUC均值和准确率达到最高，分别为0.985和0.949。
　　研究结论：本研究中，我们分别基于传统纹理特征和深度特征使用CBIR技术对肱骨干骨折图像的分类进行研究，均取得了较好的成果。在下面的研究中，我们将在图像预处理、特征选取和分类的图像种类方面作更进一步的研究，以达到更高的分类准确率，用于更广泛的骨折图像分类中。