支持向量机是在统计学习理论基础上发展起来的一种非常有效的机器学习方法。由于其出色的学习性能,该技术已成为分类领域新的研究热点。论文将支持向量机的机器学习方法引入到医学图像的分类问题中。如何利用支持向量机在信息处理方面的优势解决肝脏B超图像识别问题是本文研究的目的和重点。结合计算机技术、生物医学工程和模式识别技术,提出利用支持向量机多分类方法对肝脏B超图像进行识别。本文的主要工作总结如下:在对B超图像的处理和特征提取部分,先对B超图像进行灰度化,选择图像感兴趣区域。再对图像进行特征提取,包括纹理统计矩特征和基于灰度共生矩阵的纹理特征。文中数据显示,所提取的特征数据都具有很好的旋转不变性,都非常符合了医学B超图像的识别参数。采用120个样本,四类图像各30个样本,均来自同一医师和同一超声仪器。从每幅图像中,选择200*200的感兴趣区域,提取特征数据,考虑数据形式的差异较大,先将特征值进行归一化,再对标准化后的特征数据进行分类测试。回顾了支持向量机的理论基础和基本原理,对支持向量机的多分类算法作了研究,分析了它们的优缺点及适用范围。深入探讨了支持向量机在分类中的应用。分析了不同的核函数、不同的特征选择对支持向量机分类性能的影响。分类结果表明,RBF核函数总能得到最好的性能。最后,把实验仿真结果和神经网络算法结果相比较,结果表明支持向量机分类算法优于神经网络算法。最后,本文利用Visual C++6.0开发了基于支持向量机的B超图像识别系统,实现了对正常肝脏、脂肪肝、血吸虫肝和肝癌四类超声图像的识别。