虹膜诊断是一种新兴的诊断方法，它能根据虹膜特定区域的纹理变化对身体健康状况进行诊断，对疾病的早期发现和跟踪治疗都具有很大的指导意义，具有重要的理论研究价值和广泛的应用前景。基于虹膜的计算机自动诊断技术的研究在国内外处于起步阶段，这一课题具有很高的挑战性。虹膜诊断系统包括图像预处理、特征提取和分类器三个模块。　　实现虹膜自动诊断的难点在于如何进行有效的特征提取和描述。本文主要对面向诊病的虹膜图像特征提取方法进行研究，分别对虹膜能量纹理特征和结构纹理特征进行提取和描述，最后采用SVM分类器对融合的特征向量进行分类，为实现虹膜自动诊断系统做出了有益的探索。　　首先，本文对采集到的虹膜图像进行预处理，主要是针对虹膜图像的特点，对虹膜进行定位、光斑填充和图像增强，得到典型疾病图像数据库。　　第二，现有的虹膜纹理特征提取方法大都集中在能量纹理特征的提取上，通过对这些经典算法的比较和分析，本文采用了多通道Gabor滤波器和分形算法提取虹膜的能量纹理特征。使用多通道Gabor滤波器提取虹膜图像不同频率、不同方向的纹理特征；分形几何学理论可以对边界不规则，纹理复杂图像具有粗分类的作用，在本文中采用分形维数描述典型疾病区域的纹理粗糙度。　　第三，针对虹膜图像像素点的灰度值在低灰度级分布比较集中的特点，本文提出了采用分水岭算法进行虹膜的结构特征提取。通过大量的对比实验找到适当的分水岭分割参数，并对消除过度分割进行了研究，在虹膜图像上得到了很好的分割效果。同时结合虹膜图谱覆盖的结果，给出提取到的结构特征的描述方法。　　最后，对提取到的能量纹理特征和结构纹理特征进行融合，结合虹膜学图谱覆盖的结果尝试进行两种典型疾病的诊断。采用了在有限样本空间和高维特征分类上表现优秀的SVM分类器进行特征分类。在虹膜典型疾病数据库上进行实验，得到了比较好的分类效果，并对不同特征融合的分类准确率进行比较，论证了本文特征提取方法的有效性。