对于血细胞图像的研究是医学图像处理领域中的一个重要分支,本文围绕白细胞在临床常规染色条件下的显微图像的分类识别这一应用性课题,针对白细胞显微图像的特点,对白细胞分类识别中的关键技术-细胞核的分割、粘连细胞分割以及多分类识别等方面展开了深入研究。所做的工作和取得的成果主要有以下几点:　　(1)血细胞图像分割的主要工作是先分割出白细胞核,再提取白细胞子图像。根据血细胞图像按照灰度等级分为白细胞核、红细胞及胞浆、背景三个区域,本文提出一种改进的Otsu双阈值分割算法,应用于血细胞图像,分割出白细胞核。然后采用八邻域区域增长方法对白细胞核进行标记,根据白细胞核的位置及其胞浆的大小,对血细胞图像进行裁剪,最终提取出白细胞子图像。　　(2)由于血细胞图像的复杂性,在提取出的白细胞子图像中,存在着胞浆和红细胞的粘连现象,影响了白细胞特征提取和识别。本文分析了胞浆和红细胞纹理之间的差异,提出一种使用纹理特征分割粘连细胞图像的方法。该方法首先使用Gabor滤波器对图像纹理特征进行提取,并对提取的特征图像进行高斯平滑和降维处理,最后使用k均值聚类算法分类。实验结果表明,该方法对粘连细胞分割具有良好的效果,同时不依赖于图像的颜色或者灰度信息,有较好的鲁棒性。　　(3)由于白细胞图像样本有限,本文采用一种新的机器学习理论–支持向量机(SVM)对白细胞进行分类识别。通过分析五类白细胞的特征,对分割出来的白细胞提取颜色、纹理和形态等特征参数,作为支持向量机的输入空间。在支持向量机的训练过程中,采用交叉验证方法并比较三种常用核函数在各种模型参数下的泛化性能,由实验得出核函数的最优参数。最后使用“一对多”支持向量机对白细胞进行分类识别,实验结果显示该支持向量机在小样本情况下具有良好的分类效果。