由于医学图像背景复杂,信噪比低,测量不均匀,医学成像分割问题一直是一个难题,探索一种高精度且耗时少的医学图像分类分割算法具有重要的研究意义。极限学习机与BP神经网络相比,具有更快的学习速度,被广泛应用于分类,目标识别领域,但其输入层参数是随机指定的,为此本文提出利用改进的粒子群优化算法进一步提高极限学习机的稳定性和效率,并将其应用于医学图像分割。为解决上述问题,本文的主要研究内容如下:1.基于极值扰动的粒子群算法(RPSO)改进研究。基本粒子群算法具有易于实现和搜索效率比较高的优势,但存在局部最优的问题。本文研究分析了基本PSO容易陷入局部最优的原因,根据粒子群体个体极值和全局极值随迭代过程中停止变化的步数(T0和Tg),采用多梯度随机扰动调节的方法(RPSO)搜索个体极值和全局极值,增强了算法随机搜索性能和扩展搜索空间能力。另外,通过优化复杂多维函数实验,验证了改进算法的寻优能力以及提高效率的能力。2.改进的粒子群算法优化极限学习机算法(RPSO-ELM)。本文介绍了极限学习机算法(ELM)的基本思想,阐述了 ELM训练和分类的原理,同时分析ELM具有学习速度快和网络映射复杂问题能力强的优势,通过综合RPSO和ELM各自的优点来提出RPSO-ELM算法。RPSO-ELM算法利用RPSO良好的多维空间随机搜索能力,寻找输入权重ωi和隐藏层偏置b1进行ELM模型的寻优,以确定最佳的ELM输入模式,提高ELM的泛化性和分类性能。3.RPSO-ELM算法在医学图像分割中的实际应用。通过预处理和特征提取等操作创建样本集,然后将样本集输入RPSO-ELM进行分类实验。在获得分类结果后,进行一系列形态学处理和转换算法,勾画出轮廓图像。通过识别真阳性、背景正确识别率和背景错误识别率指标,将其与标准结果和基本ELM进行对比,验证了 RPSO-ELM算法可实际应用于医学图像分割。