本文针对³¹磷磁共振波谱肝癌诊断识别率低的问题,提出一种基于遗传算法和神经网络的识别方法。但是数据样本集具有冗余性和小样本问题,这对于模式识别方法提出了很大的挑战。因此为了解决问题,在模式分类之前特征选择是必须的降维步骤。本文采用T检验特征选择方法和遗传算法对全部波谱的401个特征进行特征选择,得出最优特征。基于优选后的特征集,分别用反向传输神经网络和径向基函数神经网络进行分类,将分类结果和全部波谱的分类结果做比较。实验结果表明,基于遗传算法的特征选择方法能使癌症的识别率得到提高。在肝炎、肝硬变、肝脏肿瘤、肝移植术后等各种肝脏疾病患者中, ³¹P-MRS波谱出现异常,因此评价³¹P-MRS波谱对疾病的诊治有重要临床意义。³¹P-MRS作为一种研究活体肝脏细胞水平的能量代谢和生化指标变化的非侵入检查方法,正得到越来越广泛的临床应用。常规方法检测肝脏需要大量组织标本,并且不能监测早期或可逆性细胞损伤中的轻微新陈代谢变化。本文通过评价³¹P-MR波谱来辨别三种诊断类型:肝细胞癌,正常肝和肝硬化。运用反向传输神经网络（BP）和径向基函数神经网络（RBF）分析³¹磷(³¹P)数据,分别建立神经网络模型,进行肝细胞癌的诊断分类以期提高识别率。实验结果证明,应用神经网络模型后,³¹P-MR波谱对活体肝细胞癌的诊断正确率得到很大提高。