随着医学影像技术的发展，医学影像设备在医院得到了广泛应用，积累了大量病人的医学图像数据及相关医学参数。利用数据挖掘技术挖掘出隐含在这些海量图像数据中的有用信息，不但可以辅助医生对病人的病情做出有效的医学诊断，而且可以促进医学经验和知识通过网络进行共享。本文首先分析医学图像挖掘领域的研究现状，然后针对医学图像挖掘中所涉及的相关技术进行分析和研究。之后针对人脑CT图像展开了分类关键技术的研究。主要研究内容和创新点如下：（1）医学图像的特征表达。首先结合医学领域知识提取医学图像中的ROI区域，提取ROI的特征属性，并根据这些特征属性对ROI进行聚类，最终将医学图像组织成医学特征数据库的形式。（2）研究目前广泛应用的两种集成分类方法，串行执行的AdaBoost算法和并行执行的随机森林算法。（3）基于对AdaBoost算法的研究，针对医学图像分类中不同类型的错误分类造成的分类误差代价存在着严重的不平衡性，本文提出代价敏感的集成分类算法，并运用该算法对医学图像进行分类。（4）基于对随机森林算法的研究，本文提出基于随机森林的分类算法，利用随机森林泛化误差上界推导的关键因素推导出ROC曲线上DET和FAR的界限，并给出针对特定类别分类性能优化的基准，最终将该方法应用到医学图像的分类中。