癫痫是目前临床医学上患病人数较多且患者分布范围较广的颅脑神经系统疾病之一,核磁共振成像（Magnetic Resonance Imaging,MRI）是癫痫诊断的一种重要手段,但实际上还存在一定的缺点:临床上存在很大比例患者的MRI颅脑检查表现为常规“MRI阴性”,医生无法明显发现异常结构,所以利用现在非常流行的图像处理技术智能后处理MRI阴性影像,并与机器学习技术相融合,以形成智能化、客观化的辅助诊断形式,可以提高临床医生对癫痫脑疾病诊断的准确率和效率,还将极大地推动大脑学科的研究,具有较高的应用价值。本文以常规“MRI阴性”癫痫影像为研究对象,对颅脑皮层形态学特征与分类技术进行了研究:首先系统地研究了脑科学影像基础理论,包括正常大脑组织结构与癫痫异常组织结构特点、MRI影像技术的成像原理与扫描特点等;其次采用了一种基于表面形态学（Surface-based Morphometry,SBM）的分析方法进行脑皮层形态学特征提取,主要包括格式转换、标准化、分割、平滑等预处理操作和皮层厚度、沟深、平均曲率、分形维度多元皮层特征量化计算的后处理操作;然后建立了相关性系数矩阵后分析发现数据之间存在许多无用和冗余特征而需要进行特征选择,主要采用了主成分分析方法（Principal Component Analysis,PCA）选取到对应特征最优子集;最后建立了单核支持向量机（Support Vector Machine,SVM）分类器和多核SVM分类器分别实现最优特征子集分类检测;其中还通过网格搜索方法和粒子群算法实现了对RBF核函数的参数寻优,引入适应度反馈作用改进粒子群算法实现了对多项式核函数和高斯核函数权重合成的多核SVM的权重系数寻优。一系列实验得到皮层厚度、沟深、平均曲率的皮层形态学特征能有效实现癫痫检测分类,单核SVM模型实现了71.4%到84.1%、平均77.3%的分类准确率,d=3的多项式核函数和高斯核函数权重映射建立的多核SVM分类器实现了训练集85.7%、测试集81.8%相对较高的准确率,另外最优特征子集对应脑区与医学常用t-检验方法下,两者重合了顶叶、额回、颞回等多个可能存在病灶的显著性脑区。