中、西医学通过对人眼虹膜的长期研究发现,人眼虹膜组织结构会随着机体疾病的发生、发展而发生改变,并且根据虹膜结构的不同变化特征与机体的不同脏器病变相对应。本文的研究即是从虹膜图像中找出不同疾病导致其纹理结构发生变化的区域,给出不同疾病与正常纹理结构所对应的特征定义及模板。本文主要将卷缩轮、阳光放射沟和正常的纹理区域作为研究的对象。全文的主要研究内容如下:首先,对虹膜图像的预处理进行了详细的介绍。本文主要提出了一种基于特征图规正的虹膜图像自适应Gamma校正方法。结合虹膜图像的特点,使用了一种与距离相关的Gamma校正方法,并且利用模拟退火算法来自适应的确定Gamma值。采用弦检测的方法实现对瞳孔粗定位,利用圆变形模板对虹膜图像进行精定位。利用非同心极坐标变换,将环状虹膜归一化到一个固定大小的矩形区域当中。第二,给出了卷缩轮、阳光反射沟和正常等三类区域明确而清晰的模式类定义。本文还提出了一种基于滑动窗口的训练样本提取方法。该方法将预处理后的虹膜图像进行分割,根据上面不同虹膜区域的定义,选出我们需要的训练样本。本文主要使用灰度共生矩阵(GLCM)、分形和Hu不变矩等统计方法来描述样本的纹理特征。针对训练样本的纹理特征,我们在直接提取纹理特征的基础上提出了先进行小波变换然后进行特征提取的方法。第三,提出了一种基于自组织神经网络的虹膜特征选择的方法。SOM(Self-Organizing Feature Map)网络的聚类结果显示三类样本聚集到不同的输出神经元上,说明他们之间具有良好的区分度,并且说明我们对于这三类样本的定义是合理的。我们使用相对熵来对选择的特征进行分析和评价,并且对特征选择的结果给出了一个相对合理的解释。最后,本文应用支持向量机(SVM)和SOM两种分类器,同时对未知标示的神经系统疾病、消化系统疾病与健康人样本进行分类测试。结果表明,利用本文方法提取的疾病特征卷缩轮、阳光放射沟和正常区域有较好的区分性,为初步正确诊断奠定了基础。