随着人们对计算机辅助诊断的关注，医学图像的研究也获得了一定的进展。通过对医学图像进行特征提取及分类，能够判断出医学图像某些部位的正常和异常，其分类结果能够作为诊断的参考意见，因此，医学图像的特征提取和分类成为计算机辅助诊断中的研究重点。本文的主要研究对象是脑部CT图像，为了判断CT图像是否正常，需对图像提取特征数据，然后对特征数据进行分析，并设计分类器对图像进行正、异常分类。分类结果的好坏与特征信息的选择和分类器设计的优良都有很大的关系。为提高分类的准确度，本文从特征提取算法和分类方法的设计两方面考虑，针对医学图像的特点，通过分析对比已有方法的优势和不足，提出了改进的特征提取算法和分类算法。本文的主要工作如下：第一，介绍了医学图像研究的背景及意义，全面叙述了目前国内外的研究现状，对医学图像的特点、特征提取的基本原理方法、图像分类技术进行了系统的阐述，并对医学图像进行滤波、插值等预处理操作。第二，特征信息的分析是进行图像分类的依据，对医学图像特征提取方法的选择关系到图像分类的准确度。针对医学图像形状和纹理特征明显的特点，本文侧重对图像的形状和纹理特征进行提取。不管对于结构性纹理还是随机性纹理图像，经Contourlet变换后，各子带的能量和统计分布参数可有效地反映其纹理特征。本文在Contourlet变换的基础上进行研究，考虑到Contourlet变换对图像进行多尺度分析不具有平移不变性，而不变矩对旋转和缩放等变化有良好的不变性和抗干扰性，能有效地反映图像的形状特征，为此本文将变换特征和不变矩特征结合，提出了一种基于Contourlet变换和不变矩的特征提取方法。通过对纹理库图像的分类实验，验证了其可行性和良好的分类能力，并将其应用于医学图像的特征提取。第三，实现医学图像的分类，将脑CT图像通过分类器分为正常和异常两个类别。本文采用的分类器是支持向量机(SVM)，考虑到SVM在分类模型的建立过程中，会遇到参数的设置和特征选择问题，在已有优化算法的基础上，引入自适应混沌粒子群（ACPSO）算法来优化SVM分类器。通过混沌序列和自适应函数来改善粒子群的早熟收敛、易于陷入局部极值的问题，同时调整惯性权重来加快收敛速度。通过仿真实验证明了算法的可行性，在脑CT图像分类上得到了比较满意的效果。