术前评估子宫内膜癌肌层浸润深度对患者的治疗及预后有重要作用,医生常使用磁共振成像进行评估,评估结果受主观性影响较大。目前关于在磁共振图像中对子宫内膜癌肌层浸润评估的计算机辅助诊断方法较少。为了更准确地评估并减少主观因素的影响,本文研究计算机辅助判断方法,用来辅助医生在磁共振图像中评估子宫内膜癌肌层浸润程度。本文主要对肌层浸润程度的特征提取方法,以及肌层浸润程度分类模型的构建方法开展研究。对于子宫肌层浸润的特征提取,本文提出了一种几何特征用于描述因肿瘤引起的子宫肌层组织结构的不规则度,命名为LS。同时提取了多个常用的肿瘤纹理特征,包括一阶纹理特征和灰度共生矩阵纹理特征。为了在勾画子宫体区域后自动提取上述特征,本文根据子宫体及子宫内膜癌肿瘤在磁共振图像中的成像特点,基于大津法和形态学处理以及阈值分割,先后对宫腔肿瘤连通域和肿瘤区域进行了图像分割。本文使用递归特征消除算法对纹理特征进行特征选择,得到优化后的纹理特征子集。将几何特征和纹理特征子集分别结合支持向量机（SVM）进行分类,使用留一交叉验证法评估分类性能。实验结果表明,纹理特征子集的准确度、敏感度和特异度分别达到69.6%、73.7%和68.3%。几何特征LS得到的准确度、敏感度和特异度分别为89.9%、89.5%和90.0%,单独的几何特征LS已经对肌层浸润程度有较好的区分能力。对于子宫肌层浸润程度的分类,本文提出了集成概率支持向量机分类模型EPSVM。考虑到纹理特征与几何特征之间存在较大的分类性能差异和特征数量差异,特征的串联融合方式可能不利于分类性能的改善。EPSVM采用了本文设计的强弱特征混合的特征融合策略。使强特征LS参与每个基分类器概率支持向量机（PSVM）的构建,每个PSVM都使用不同的弱特征（纹理特征）,建立的多个PSVM基分类器既具有较高准确度又具有多样性。EPSVM收集所有PSVM的概率输出并取均值作为后验概率输出,将其和阈值比较给出浸润程度预测结果。本文对比了EPSVM和常见分类器（逻辑回归,随机森林,SVM,朴素贝叶斯分类器）的分类性能。串联融合LS和纹理特征作为特征向量输入这几种分类器,并对超参数进行调优,使用留一交叉验证法评估分类性能。实验结果表明,提出的EPSVM达到了93.7%的准确度,94.7%的敏感度和93.3%的特异度,可以辅助医生在磁共振图像中判断子宫内膜癌肌层浸润程度。EPSVM优于常见分类器。敏感度和特异度比逻辑回归模型分别高10.5%和6.6%;比随机森林模型分别高10.5%和3.3%;比SVM分别高5.2%和5.0%;比朴素贝叶斯分类器分别高15.8%和6.6%;比单独使用几何特征LS的SVM分别高5.2%和3.3%;比单独使用纹理特征的SVM分别高21.0%和25.0%。和其他相关研究相比,本文方法的准确度,敏感度和F1分数较高。融合LS特征和纹理特征的EPSVM分类模型可实现更可靠的肌层浸润程度判断。