由于医学影像诊断的重要性和局限性,构建影像辅助诊断方法为医生提供辅助决策参考,可以提高医学影像诊断水平。影像组学是一种有效的影像辅助诊断方法。该方法从医学影像提取高通量特征数据,从而为临床决策提供有价值的诊断、预后和预测信息。已有大量的研究证明,结合多种模态医学影像的特征以及使用多个分类器建模可以构建更为强健的影像组学模型。因此本文从特征融合以及分类器融合两个方面构建影像组学模型,首先提出了一种有效的特征融合算法,并在此基础上构建了一个多模态特征及多分类器融合模型和一个多分类器分层融合框架。具体内容如下:第一,基于弱化类间相关的特征融合算法（Feature Fusion Algorithm based on Weakening Between-class Correlation,FWBC）预测肝癌的微血管侵犯。该算法在特征融合过程中合并了类结构信息,使融合后的特征在不同类别间具有更强的鉴别能力。本文使用FWBC融合多个期相的动态对比增强CT图像提取的特征,并将其输入到多个分类器中训练。与单个期相的结果相比,融合多个期相的特征可以显著提升微血管侵犯的预测性能。第二,基于多模态特征及多分类器融合模型（Multi-Modality Features and Multi-Classifiers Fusion Model,MFCF）鉴别胶质母细胞瘤与单发性脑转移瘤。该模型先使用特征融合算法FWBC融合从多个MRI序列中提取的影像组学特征,并将融合特征输入到多个分类器中训练,最后使用一种类似多学科团队的方法融合前3个高性能模型的输出。其研究结果显示,通过MFCF模型得到的融合特征实现了最高的预测性能,并显著优于使用单个序列特征的结果以及3位有经验的放射科医生的诊断结果。第三,基于遗传算法优化随机投影的多分类器分层融合框架（Multi-Classifier Hierarchical Fusion Framework based on Genetic Algorithm to Optimize Random Projection,MCHF）。本研究基于特征融合算法FWBC提出了一个基于遗传算法优化随机投影的多分类器分层融合框架MCHF用于同质-异质分类器的融合。该框架首先通过遗传算法创建多个随机投影矩阵以产生多样化的投影训练数据集,这些投影训练数据集被进一步地输入到多种异质基分类器中训练以获得一组同质基分类器的输出。最后分层融合同质基分类器和异质基分类器的预测概率,以获得更加鲁棒的预测性能。该框架的有效性通过25套UCI公共数据集和1套肾透明细胞癌福尔曼分级临床数据集验证。结果显示,与基分类器和基准集成结果相比,MCHF实现了更高的预测性能。本文提出了一种特征融合算法、一个多模态特征及多分类器融合模型以及一个多分类器分层融合框架,并在临床数据集上进行验证。实验结果均证实了本文所提出方法在影像辅助诊断的有效性。