随着计算机技术和医学诊断技术的交叉结合,计算机辅助诊断迅速发展起来,逐渐成为近年来的研究热点之一。计算机辅助诊断可以协助医生对医学图像进行判断和识别,提高医生诊断的准确率。在经过预处理、特征提取后,对医学图像的识别和分类主要应用模式识别的各种理论和方法。以往的分类方法基于传统统计学,或基于样本数目趋于无穷大时的渐进理论,如人工神经网络等分类方法;而实际应用中样本的数目往往是有限的。于是,这些传统方法常常被模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等困扰。支持向量机方法在1992-1995年提出,建立在统计学习理论的VC维理论和结构风险最小原理基础上,它追求的是有限样本情况下的最优解,它的发展很好地解决了困扰传统方法的诸多问题。因此,随着其理论的不断成熟和研究的不断深入,受到了越来越多的重视。本论文将支持向量机的机器学习方法引入到尿沉渣有形成分的分类问题。首先概述了支持向量机的理论基础,着重介绍了统计学习理论的核心内容、支持向量机数学模型和核函数理论。同时介绍了支持向量机的研究进展,一些主要的改进支持向量机学习算法,分析了这些算法的特点。最后在提取尿沉渣有形成分特征的基础上,对LIBSVM软件包进行了研究,选用1-v-1方法将传统支持向量机算法推广到多分类。用设计好的支持向量机多分类器,采用交叉验证法,同时做出交叉验证精度的等高线图进行支持向量机核函数及参数的选择,根据支持向量机和数据集特点,采用两级分类器集成,经过多次实验取得了较好的分类准确率。在几种尿沉渣有形成分中得到相应的混淆矩阵,评测了各类别的分类结果,与神经网络方法进行了比较。本论文将改进的多分类支持向量机分类方法应用于尿沉渣有形成分的分类问题,表明了其有效性和优越性。