人类染色体核型分析在遗传病的检查、产前诊断和癌症病理分析等方面具有重要作用。染色体核型分析通过显微成像设备拍摄到细胞中染色体中期分裂时的图像,经过图像处理和模式识别等方法识别每一个染色体类别并排序得到核型分析图。染色体特征的提取以及选择分类算法对整个流程极其重要,染色体常用于分类的长度、着丝粒指数和带纹特征都非常依赖于染色体图像中轴的确定。但是,在染色体中轴提取过程中,传统的细化算法提取的中轴具有容易形成较多毛刺、连通性较差以及不能具有单像素宽等问题;此外,目前常见的染色体分类方法在分类精度和模型训练时间都有一定的不足。因此如何有效地提取具有较少毛刺、连通性好、单像素宽的染色体中轴线,以及提出具有更优性能的分类模型是本文研究工作的重点。为了能够提取具有较少毛刺、连通性好、单像素宽等特征的染色体中轴线,本文提出了一种基于串行细化和并行细化的混合细化算法。该算法主要包括三个步骤:首先根据边缘检测算法确定图像轮廓并处理边界噪声;然后根据设定的约束条件,对图像轮廓像素进行删除和保留处理;最后对经过前两个步骤多次迭代得到的中轴线进行处理,以保证提取的中轴线为单像素宽。同时为了能够有效地评估所提出算法的性能,本文提出了基于数学方法的评价指标用于评估算法。通过提出的混合细化算法与其他常见的细化算法在现有染色体数据集以及公用数据集上进行的实验对比,可以看出本文所提出的算法能够得到具有较少毛刺、连通性好、单像素宽等特征的染色体中轴线,而且该算法具有很好的泛化性能。依据中轴线提取了染色体的长度、面积、着丝粒指数以及带纹特征,并对这些特征进行归一化,最终得到了21维的染色体特征数据。为了能够解决现有染色体分类方法的缺点,本文提出了基于改进的人工蜂群算法优化二分类核极限学习机竞争队列模型,通过改进的人工蜂群算法来寻找每一个针对两类染色体分类的核极限学习机的最优惩罚系数和核函数参数。并且在分类器分类之后加入校正程序。通过本文分类方法和相关文献中的分类方法进行实验对比,可以得出本文所提出的分类方法能够提高分类精度并且降低了模型的训练时间。