近年来，模式识别在医学诊断领域中有着广泛的应用，成为了人工智能领域热门的研究课题。随着人们生活多样化以及环境等因素影响，癌症发病率及发病方式也逐年增加和多样化，这为疾病的临床诊断提供了难度。通过显微图像的处理识别来诊断疾病成为一种重要的手段。在研究图像时，首先对图像进行预处理除去噪声以提高图像的信噪比。若图像信息弱，无法正常辨识，还需进行增强或图像变换的处理，以便进行有效的人机分析。概括的讲，图像处理包括图像编码、增强、压缩、复原、分割等几个环节。其中分割是至关重要的，其分割好坏直接影响着识别理解的结果。图像识别对处理后的图像先进行分类，确定所属类别。通过选择需提取的特征，对其中所需参数进行测量，根据测量结果分类。为更好进行识别，需对整幅图像进行结构分析和图像描述，对图像得到一个解释，通过多对象的结构关系对图像加深理解，取得更好的识别效果。对图像识别结构来说，输入的是图像（经过处理的），输出是类别及分析。图像理解是处理识别后的最终目的，是对图像进行描述，确定是什么图像。在处理和识别的基础上，根据分类作句法分析，对图像进行描述和解释。所以图像理解包括图像处理、图像识别和结构分析。对理解部分来说，输人是图像，输出则是图像的描述与解释，属于人工智能的范畴。本文以甲状腺显微图像中的癌细胞为研究对象，通过提出一种改进的Canny算子边缘检测的分割方法，并结合图像处理和识别过程,进行简化识别。主要工作如下:学习了图像处理、识别、理解的相关知识，通过编程实现了常用的图像处理算法并取得了理想的效果；将一种改进的形态学抗噪算子嵌入到传统的Canny算子中，提出一种改进的Canny算子边缘检测方法。并通过实验对结果进行分析，并与传统方法进行比较，其检测效果明显好于传统的方法；对特征提取与识别过程进行理论研究，针对甲状腺癌细胞形态特征复杂，难以明确识别分类的特点，提出基于模糊理论的识别方案，这为进一步的识别过程奠定了理论基础。