支持向量机(SVM)是Vapnik及其研究小组提出的一种全新的模式识别技术,其思想是建立在统计学习理论的VC维理论和结构风险最小化原理基础上的,在小样本、非线性及高维特征空间中具有较好的推广能力。由于其完备的理论基础和良好的实验结果,支持向量机日渐引起研究人员的重视。医学图像分割和配准是医学图像处理中两个重要而困难的课题,使用支持向量机进行医学图像处理,无论在理论上还是在实际应用上都有重大的意义。本文结合医学图像的特点,主要进行了以下两个方面的研究:(1)基于最小二乘支持向量机的医学图像分割研究本文结合医学图像中目标具有分散性的特点,借助最小二乘支持向量机(LS-SVM)良好的分类性能,以及其在小样本、非线性及高维特征空间中所具有的较好的推广能力,将LS-SVM应用于医学图像分割。采用磁共振脑图像MRI数据进行了脑组织分割实验,对于训练样本的选取,图像特征的提取以及核函数及其参数对分类结果的影响等问题进行了讨论。并和模糊C均值方法(FCM)的分割效果进行了比较。实验结果表明:对目标边界模糊、目标灰度不均匀及目标不连续等情况下的图像(如医学图像)分割,在时间代价、分类精度等方面,LS-SVM比FCM方法有更好的分类性能。(2)基于最小二乘支持向量机的医学图像配准研究文中提出了基于LS-SVM的图像配准方法,在已知控制点对的前提下,利用LS-SVM的回归性能估计变换模型,然后利用该模型对待配准图像进行几何变换,并考虑插值问题,从而实现图像的配准。采用磁共振脑图像MRI数据进行实验,并和最大互信息法(MMI)进行比较,结果表明LS-SVM可以有效地去除图像的刚体几何形变,在运算速度上较最大互信息法有较大的优势,是一种有效的医学图像配准方法。