目的：为了探索基于3.0T MRI图像的纹理分析预测鼻咽癌放化疗敏感性的临床价值。　　方法：对于53诊断为鼻咽癌的患者，治疗前进行MRI检测，得到T1、T2及DWI图像。53例患者分为两组，42例为训练组，11例为验证组。53例患者均接受同步放化疗，经疗效平均后，42例训练组内31例为敏感组，11例为抗拒组；11例验证组内8例为敏感组，3例为抗拒组。对于每组图像，均有两个影像医师在肿瘤最大层面进行肿瘤的感兴趣区（region of interest，ROI）勾画。利用纹理分析的方法包括Gabor变换、强度-尺度-区域矩阵（Intensity-Size-Zone）、灰度共生矩阵（GLCM）、灰度梯度共生矩阵（GLGCM），得到的纹理参数利用一致性相关系数（concordance correlation coefficient，CCC）和动态范围（ dynamic range， DR）矩阵方法验证参数的可重复性和冗余度，之后选用Mann-Whitney U Test筛选有意义的参数，利用互信息及线性判别分析进行参数的降维，后利用人工神经网络（artificial neural network，ANN）及最近邻（k-Nearest Neighbor， KNN）方法进行纹理参数模型建立。建立模型之后，利用10-fold的交叉验证（cross-validation）进行内部验证及利用验证组进行外部验证，利用马修斯相关性系数(Matthews correlation coefficient，MCC)及四格表法（McNemar’s test）进行模型的验证。　　结果：基于T1增强扫描图像的纹理分析模型预测鼻咽癌放化疗敏感性的准确率为95.2％和93.9%；基于T2图像的纹理分析模型预测鼻咽癌放化疗敏感性的准确率为90.4%和90.5%；基于DWI图像的纹理分析模型预测鼻咽癌放化疗敏感性的准确率为88.1%和92.9%。利用McNemar’s test方法发现，基于T1增强扫描图像的纹理分析模型预测效能高于基于T2、DWI的纹理分析模型(ANN: p=0.043, kNN:p=0.033)、(ANN:p=0.032. kNN:p=0.014)，具有统计学差异。基于T1增强扫描图像纹理分析建模方法ANN与KNN无统计学差异（p=0.083）。　　结论：基于T1、T2及DWI的纹理分析方法可以预测接受同步放化疗的鼻咽癌患者放化疗敏感性。