脑肿瘤是一种源于脑部组织中异常细胞的疾病。准确的脑肿瘤定性分级,既可以及时对患者采取有效的治疗,又可以避免采取过于激进的治疗手段对患者生理造成额外的损害。本文研究的主要内容为,磁共振波谱技术在大脑胶质瘤分级中的应用。磁共振波谱技术是近几年在临床上推广的影像学技术,能够对在体生物组织内的代谢物进行无创检测,因此也被称为“虚拟活检”技术。采用多体素MRS对大脑胶质瘤内部的代谢物成分进行量化分析,是研究大脑胶质瘤的一种重要手段。本文首先研究了基于小波分析理论的MRS原始信号去噪技术。通过解析飞利浦磁共振波谱的SPAR和SDAT文件,读取出原始MRS信号。对原始信号分别采用小波分解树和基于熵的最优小波包分解树进行分析。结合全局阈值估计、Stein无偏风险估计、混合阈值估计以及极大极小值准则四种阈值估计方法,软硬阈值处理函数和噪声估计修正方法,对原始MRS信号进行去噪处理。对于频域信号而言,基于Stein无偏风险阈值估计、硬阈值处理函数以及基于层的噪声估计修正模型的去噪信号最好。对于时域信号而言,基于阈值熵、全局阈值估计以及硬阈值去噪函数的小波包分解去噪算法效果最好。在小波去噪分析的基础上,本文还研究了基于贝叶斯神经网络、支持向量机和随机森林的机器学习方法,构建高低级别脑胶质瘤分类模型。在模型训练之前,通过基于L1正则化、互信息、ANOVAF-test、随机森林、SVM-RFE的特征提取方法,对量化后的MRS数据进行降维。各种特征提取算法的结果之间存在一定的差异,但GSH、Ala和NAA毫无疑问为重要特征。然后,采用留一法以及grid search方法构建分类模型。最后训练得到的贝叶斯神经网络分类模型准确率为92.6%、支持向量机模型分类准确率为96.3%,随机森林分类模型准确率为96.3%。因此,大脑胶质瘤磁共振波谱数据对脑肿瘤分级具有非常重要的临床意义,基于贝叶斯神经网络、支持向量机和随机森林的分类模型能够为脑胶质瘤分级诊断提供有效辅助。