血管内超声（intravascular ultrasound，IVUS）是分析血管形态和检测粥样硬化斑块的常用介入影像手段。它利用镶嵌于心导管顶端的微小超声探头，从血管腔内获得管腔的切面图像，完整显示包括血管壁外膜和中膜边界、内膜即管腔以及两者之间的斑块负荷情况在内的血管横断面。目前对IVUS图像中斑块的识别和分类主要由人工手动完成，不仅工作量巨大，而且结果的主观性强，可重复性差，易受操作者的临床经验和专业知识的影响。因此，利用数字图像处理技术，自动检测IVUS图像中的斑块组织并对其按照成分进行分类具有重要的临床应用价值。由于IVUS图像中包含大量纹理信息，且正常组织与病灶组织的纹理差异明显，因此可利用纹理信息作为IVUS图像组织标定的重要依据。本文分别利用三种经典的图像纹理特征提取方法（灰度共生矩阵、局部二值模式和Gabor滤波器）对IVUS图像的纹理特征进行自动提取。其中，灰度共生矩阵是通过计算整幅图像的二次统计特征量对图像纹理进行描述；局部二值模式是一种灰度范围内的纹理度量，可辅助度量图像的局部对比度；Gabor滤波器是一种依赖于图像轮廓的尺度和方向的多分辨率分析工具，对图像局部细节纹理有较好描述。完成特征提取之后，本文利用主成分分析法、Fisher线性判别分析和多维尺度法对图像特征数据进行降维，并分别设计支持向量机、Adaboost和随机森林分类器对图像特征进行分类，最后优化分类器参数，提高分类准确率，得出较为适合组织标定的分类器，完成对IVUS图像中不同组织的分类。采用临床采集的图像数据对上述方法的可行性进行验证，并通过分析实验结果对各种方法的优缺点进行对比和讨论。