脑中风是一种发病快、致死率高的疾病，发病人数也在逐年升高。脑中风及时得到诊断有利于患者的治疗和恢复，会大大提高治愈率。另外，脑中风不仅会导致患者的身体功能障碍，还会导致认知功能障碍，而身体和认知功能障碍都与中风病灶位置相关。因此能准确的对脑中风进行早期诊断并且确定其中风病灶位置是极为重要的。
　　微波检测根据生物组织介电特性差异造成的微波散射信号的不同来检测诊断。它有着使用安全，无辐射伤害，成本低等优势。在当前的微波医学检测中，基于微波成像的检测方法需要对检测目标进行超宽带微波信号扫描，计算量大且需要复杂的超宽带天线阵列的支持，并且对组织结构复杂的大脑难以成像。而目前基于机器学习的脑中风微波检测研究，大部分集中于诊断是否中风，而极少进行中风病灶的定位判别研究。另一方面，基于机器学习的检测方法是通过对微波信号的分析学习，提取出差异特征信息从而完成识别检测。而在脑中风检测中存在干扰源较多、脑部组织结构复杂、不同个体间差异较大等影响，这会造成微弱的有用信息淹没在噪声信号中难以提取，需要有效的特征学习方法支持。
　　本文设计了一种级联特征学习框架，用于脑中风微波检测中的信号特征提取，从而完成中风诊断及定位，并通过仿真和实验进行了性能验证。
　　在中风诊断方面，设计了单对天线脑中风微波检测系统，并提出了级联特征学习框架，使得在多干扰的复杂环境下仍可以很好的提取出有利于分类检测的中风差异特征，准确的对中风作出诊断判定，并进而对天线部署位置进行了优化。结果表明，在大脑左右两侧部署天线进行测量可以获得较好的诊断检测性能，在多干扰的仿真环境下，诊断准确率可以达到90%；在实验环境下，诊断准确率为86%。
　　在中风定位方面，采用多天线阵列测量收集微波散射信号，通过级联特征学习框架提取特征，并提出了基于多分类器的区域交叉定位模型，从而精确的对中风病灶区域进行定位判别。并在仿真和实验中进行了性能验证，在多噪声源的干扰的仿真环境下，中风病灶区域平均识别准确率为 81%，且在 8 天线部署方式下定位分辨率可以达到9mm。在实验环境下，可以获得84%的平均识别准确率。