近年来我国医疗信息化的发展十分迅速,与此同时计算机视觉领域也取得了各种突破,这些进步为基于医学图像的诊断、教学和生物医学的研究提供了机会。对云影像中心的医学图像进行再利用之前,需要先进行分类处理。由于医学图像数量的巨幅增长,手工分类已经不能满足时效需求,借助计算机对医学图像进行自动分类管理的需求迫在眉睫。本文在总结了国内外医学图像分类的相关研究进展之后,对常见的分类方法进行了介绍。根据前人的研究成果,针对医学图像自动分类的需求,本文从机器学习分类流程中的特征提取、特征优化和分类算法入手,作了如下三个方面的研究:(1)提出了一种基于纹理特征和SURF特征融合的医学图像特征提取方法本文在介绍了常见的医学图像特征提取方法之后,分析了局部特征和全局特征各自的优缺点,为了解决基于单一特征进行分类精度不高的问题,提出了将纹理特征和SURF特征进行融合的特征提取方法。首先,使用Gabor滤波器和灰度共生矩阵提取医学图像的纹理特征;其次,使用SURF算法提取图像的局部特征,并利用视觉词袋模型将其转化为直方图的形式;最后对以上特征进行归一化处理并融合。该方法包含了医学图像在整体和细节上的特征,能够从多个角度对医学图像进行描述和辨识。(2)提出了一种改进的递归特征消除算法本文深入研究了常见的特征优化算法,详细分析了目前流行的主成分分析法、稳定性选择法和递归特征消除算法的优缺点。为了解决特征融合后特征维度过高及冗余等造成的分类精度低的问题,本文提出了一种结合稳定性选择法和递归特征消除算法的改进RFE算法。首先将原始数据集随机平分成若干互斥子集,对每个子集使用RFE算法进行特征排序,得到一轮排序结果;随后重复上述过程数次,最后结合每一轮排序结果,得到最终的特征排序。相比于原始的RFE算法,该算法能够有效的提高分类结果的准确性。(3)提出了一种改进的KNN-SVM分类算法本文深入研究了医学图像分类算法,详细分析了常见的K近邻算法和SVM分类算法,研究了传统KNN-SVM算法及KD树的原理和优缺点。针对医学图像管理系统的需求、传统KNN-SVM算法的缺点和KD树最近邻查找中存在的问题,基于增量学习的思想,提出了改进的KNN-SVM算法。首先,在构建KD树前对特征向量进行优化;其次,对于待分类样本,通过KD树查找若干最近邻样本点,根据特征优化结果选择不同的最近邻查找算法;最后在对近邻点进行相似度加权后再将其用于SVM分类器的训练,得到待分类样本的分类结果。该算法提高了分类效率和准确率,并且适用于医学图像管理系统。本文通过实验对算法进行验证,将特征融合、改进RFE算法和改进KNN-SVM算法分别用于公开的数据集,并进行对比实验和分析。结果证明本文设计的特征融合、改进RFE算法和改进KNN-SVM分类算法均能有效的提高医学图像的分类准确率和效率。最后将该算法应用于医学图像管理系统之中,实现了医学图像分类的自动分类,为后续对医学图像的深入研究提供了便利。