随着临床医学影像数据海量化趋势的加剧,如何存储和管理这些医学影像成为了医院影像管理中亟待解决的问题。目前,医院的影像管理系统大都仍采用传统的文本检索方式,虽然文本检索技术相对成熟,但其必不可少所的人工标注方法耗时耗力,难以满足影像数量海量增长的趋势。而基于语义的医学图像检索技术就是为了解决这类问题所衍生出的研究方向。医学图像的不同层次间存在相互联系,因此,可以充分利用先验知识,通过机器学习等方法来建立语义模型,从而达到从医学图像数据库中检索出具有相似病理特征的医学图像的目的。本文在对医学图像语义检索的研究现状进行分析的基础上,对医学图像语义表达、提取和检索等若干关键技术进行了深入的研究。主要内容如下:针对如何提取胸部CT图像感兴趣区域的问题,本文提出一种基于改进的GVF-Snake模型的医学图像边界提取算法,并将其用于肺部感兴趣区域的提取。该算法利用网格自适应处理技术优化蛇点,通过均匀化蛇点的分布来改善局部凹陷的轮廓逼近问题,同时,通过变高斯的处理策略在迭代过程中动态控制搜索范围,从而达到有效逼近真实轮廓的目的。实验结果表明该算法能够准确有效的提取肺实质的轮廓。为了能够全面描述胸部CT图像的特点,本文利用灰度直方图统计特征、灰度共生矩阵纹理特征、Tamura纹理特征、Gabor小波纹理特征和SIFT特征来表达该类图像的底层视觉特征。针对医学图像特征表达中出现的特征维数过高的问题,本文提出一种基于重建权重调节的有监督局部保持特征降维算法,重点研究局部保持映射中影响重建权重计算的邻近点和可调参数t的范围确定问题。通过将重建权重构造为与零均值正态分布概率密度函数相差一个常系数的形式,确定特征点的邻近点,并以特征点间距离作为采样点,利用样本方差得到重建权重计算公式中可调参数t的调整范围。实验结果表明该算法应用于图像检索中,利用降维后的特征进行图像检索不会对图像检索的结果造成太大影响,但是会提高计算效率。在分析胸部病症CT影像表现的基础上,本文提出了一种基于先验知识的胸部CT图像语义层次模型,从两个层次来描述胸部病变的种类和语义描述。并在此基础上提出了一种医学图像的分级语义映射机制,针对不同分类方法的适用性,分别利用支持向量机和多示例学习的方法对不同层次的语义先进行粗映射再进行细映射。实验结果表明该方法具有较好的语义映射能力。在分析了传统机器学习存在的不能够借鉴相似领域中知识,每次学习都要从零开始学习问题的基础上,本文提出了一种混合迁移的学习方法,并将该方法应用于医学图像的语义标注。本文提出的方法综合了实例迁移和特征迁移的优点,充分考虑并利用了平衡迁移过程中分类器的适应性和推广性,即融合实例迁移的多任务稀疏特征学习方法。实验证明该算法能够有效提高图像语义标注的正确率。