骨髓是人体的主要造血器官，其细胞种类繁多。它的分类计数可以诊断和鉴别出各种血液系统疾病。显微镜检查是其主要诊断手段，但人工操作工作繁重且掺杂过多的主观因素。计算机分析与识别显微图像因此具有十分重要的意义。基于极限学习机的机器学习算法能自动分析和识别骨髓细胞，实验证明了此方法的有效性，主要研究内容如下：(1)首先设计一种基于改进的上下文感知显著性的GrabCut分割算法(Refined Context Aware GrabCut，RCA-GrabCut)，并对采集到的骨髓细胞图像进行分割。该算法克服了传统GrabCut算法需要人工交互的缺点。GrabCut算法适合于复杂背景图像的处理，在细胞图像分割上能够有效地将骨髓细胞提取出来。提出的RCA算法比传统的上下文感知显著性算法在速度上提高显著。与其它算法相比，RCA-GrabCut算法总体误差率最低，效果好。针对细胞之间存在着粘连和重叠现象，采用常用的腐蚀膨胀法进行分割。提取出单个骨髓细胞后，再采用最大类间方差法进行细胞核分割。(2)在骨髓细胞特征提取上，将提取的形态学、光密度、纹理和分形特征值进行归一化结合。首先提取了细胞的周长、面积、核分叶数等定量描述的细胞形态学参数；接着提取出骨髓细胞的光密度特征主要是基于区域颜色的统计信息；最后在骨髓细胞的纹理和分形上提取特征。在形态学、光密度、纹理和分形上一共提取了关键的39个特征值，并将这些数据按一定的格式存储。(3)提出一种基于元胞自动机(Cellular Automata，CA)的极限学习机集成(Ensemble of Extreme Learning Machine，E-ELM)算法即CA-E-ELM算法，实现了骨髓细胞的自动分类。首先对ELM原理和流程进行简介；其次通过ELM与BP神经网络、支持向量机的比较，表明所采用的ELM算法基本无参数调整，操作简单，速度快，泛化性能好，且能够实时学习；针对单个分类器性能不稳定的缺点，用集成方法进行决策，所设计的基于元胞自动机的极限学习机集成算法通过扰动训练集更能获得精确且差异较大的个体分类器。CA-E-ELM算法应用在骨髓细胞分类上精度高达97.43%，且有效克服了神经网络分类器不稳定的缺点。