癌症发生转移或复发会对患者的治疗效果和预后情况产生重要的影响。术前能够准确的预测癌症是否会发生转移或复发对指导医生制定医疗计划和预后评估有较高的临床价值。在目前的实践中,主要靠临床医生通过分析CT图像中肿瘤的形状、大小等信息来判断其是否会发生转移,但该方法存在效率低、主观性强、诊断结果的敏感度和特异性普遍不高等问题;而通过影像组学方法分析转移性时,需要医生绘制出患者的病灶区域,这依旧没有摆脱效率低、主观性强的问题。鉴于此,本文改进了特征提取的流程,并结合机器学习对部分癌症的转移和复发性建立预测模型,验证了该方法的泛化能力,最后将部分模型应用于风险预测管理系统中,具体研究内容如下:（1）改进影像组学特征提取的流程。针对目前影像组学特征提取流程存在的一些不足,通过分析PET图像的特性,提出了一种结合PET图像提取特征的方法,实现了整个特征提取过程自动化和实验可重复性。（2）建立头颈癌和软组织肉瘤转移（复发）性预测模型。首先,对头颈癌患者的图像提取特征并建立转移和复发预测模型。在此过程中,采用了五种自动阈值化分割算法对PET图像进行处理,并使用改进的特征提取方法分别提取特征,然后采用三种机器学习算法建立模型。通过对比各模型的接收者操作特征曲线下面积（AUC）的值,得出使用大津阈值化算法（OTSU）处理PET图像时效果最好,并进一步评价了在此情况下各模型的性能,选择了表现最好的模型为最终模型。最后,根据前面的结论,使用了同样的流程方法对软组织肉瘤的转移性建立预测模型,得到了较好的结果。（3）设计并实现转移风险预测管理系统。采用了面向对象的方法,通过需求分析对系统的功能模块进行分析和设计,使用Python为主要实现语言,Py Qt5为图形界面工具对系统的功能模块进行实现,将软组织肉瘤和头颈癌转移预测模型融入到系统中,实现了对患者的风险预测和管理。本文为影像组学特征提取的流程提供了一个新思路,并能够帮助医生方便、准确、快捷的预测患者的转移风险,为患者制定医疗计划提供参考。