随着人口老龄化,前列腺癌(prostate cancer,Pca)的发病率呈现上升趋势,威胁老年男性健康。早期诊断对于后续的治疗手段以及预后评估具有重要的指导意义。磁共振成像(magnetic resonance imaging,MRI)技术具有无创、无辐射以及高分辨率等成像优点,并且已被公认为前列腺检查的首选方法。扩散加权成像(diffusionweighted imaging,DWI)是目前唯一一种能无创反映活体组织内水分子运动的磁共振成像技术,其表观扩散系数(apparent diffusion coefficient,ADC)能对病灶进行定量分析。虽然ADC是鉴别诊断中非侵入性的生物标志物,但在较高和较低级别的PCa以及良性组织中也存在相当大的信号重叠,可能的解释是传统单指数模型中拟合信号强度的衰减,即水分子的扩散是符合高斯分布的。然而,生物组织中的微观结构是复杂的,水分子的扩散运动不再对应于高斯分布,并开始偏离单指数模型的拟合曲线。因此有必要使用多种水分子扩散模型,并进行模型对比和评估,来获得更好的DWI拟合模型。本研究旨在综合传统单指数模型(mono-exponential model,Mono)以及其他非高斯重建方法,包括拉伸指数模型(stretched exponential model,SEM)、扩散张量成像(diffusion tensor imaging,DTI)模型、扩散峰度成像(diffusion kurtosis imaging,DKI)模型和体素内不相干运动扩散(intravoxel incoherent motion,IVIM)模型5种重建模型。本论文使用Levenberg-Marquardt算法对于重建模型的参数进行计算,并对于5种DWI重建方法在前列腺组织不同区域的拟合情况进行了差异性研究。为满足医院以及科研人员使用重建方法的需求,本论文将所有重建方法封装成软件。软件可以自动化地处理数据,以得到不同模型的参数,便于后续的研究。在完成多种重建方法后,得到不同模型的参数,本文结合机器学习的方法来提升前列腺癌诊断性能。本文通过对39例前列腺癌病人、56例良性病人进行MR扩散加权图像的采集,并使用5种重建模型得到共计17个参数图,而后对所得的每一个参数图进行特征提取,包括直方图特征和纹理特征。在得到相关图像特征后,使用机器学习的方法进行分类。结果发现,使用SVM和随机森林(random forest,RF)两种分类器对前列腺病变进行良恶性分类,随机森林分类器的AUC值可以达到0.98,具有较高的分类性能。另外,对特征进行重要性排序后,研究发现DKI参数图是肿瘤分类的重要指标。