统计学习理论(Statistical Learning Theory,简称SLT)是由AT&T Bel实验室的Vapink及其合作者提出的可应用于小样本分析的统计理论。支持向量机(Support Vector Machine,SVM)是基于统计学习理论和结构风险最小化原理提出的一种有监督的机器学习方法,被公认为小样本情况下统计学习的经典。SVM具有较好的泛化和学习能力,已被广泛的应用于诸多领域。本文将主要探讨在医学图像中应用支持向量机和神经网络这两种先进的机器学习方法进行唾液细胞显微图像特征提取和分类识别,并且将重点放在支持向量机的分类实现及其与神经网络分类性能的对比上。主要涉及到的部分包括:图像预处理、特征提取和特征选择、两种分类器的建立、分类识别的实现、性能分析等部分。系统介绍了预处理的方法及其意义以及灰度、纹理、形态等特征提取方法,并介绍了过滤式(filter)特征选择和Wrap特征选择等方法。在仿真试验中,用matlab实现SVM训练算法和神经网络训练算法,并就处理方式、分类性能进行对比,突出SVM在分类问题中的优势。本文为解决唾液细胞显微图像的自动化识别检测提供了一种实现方案,为临床女性安全期检查自动化提供了技术上的支持,也为进一步地研究打下了基础。