无线胶囊内窥镜(Wireless Capsule Endoscopy)作为一种重要的新型技术被广泛应用于人类小肠疾病的诊断。尽管该技术随着科技进步不断完善,但在实际应用中还是面对一些困难：海量的内窥镜图片必须由专业的医务人员进行人工判读,工作强度大、效率不高、耗费大量时间。为了解决这些困难,设计一种运用计算机自动辅助检测系统来帮助医务人员诊断病变图像是特别有意义的。本文主要研究的是有关胶囊内镜小肠图像的分类检测算法问题。通过分析每幅胶囊内镜小肠图像的正常区域和病变区域,提取对应的颜色和纹理特征,通过机器学习方法等相关理论技术,寻找出合适、准确的学习分类检测算法。本文主要的研究工作内容如下：第一,在不同的颜色空间下,本文分析了有关胶囊内镜小肠图像的颜色特征和纹理特征。为分析颜色特征,本文采用了一种基于颜色矩的颜色特征提取方法,并且针对不同阶数下的颜色矩方法进行实验验证。关于纹理特征,本文采用了局部二值模式和Contourlet变换两种纹理特征提取方法,将Contourlet变换与颜色矩和局部二值模式分别进行特征融合,并通过实验对该两种融合方法进行的性能分析。第二,运用了基于高斯过程分类算法完成对胶囊内镜小肠图像的分类。通过对高斯过程的模型选择,以及高斯分类两种近似算法的分析,对高斯过程分类的不同组合方法进行病变检测的实验分析和性能评价。同时,还对不同种高斯过程分类方法与三种经典的监督式学习方法进行分类检测对比实验。实验表明,在这几种监督式学习方法中,高斯过程分类方法的分类性能较好。第三,通过引入多示例学习算法,构建局部和全局特征的级联式病变检测算法,改良传统方法中仅依赖全局特征的病变识别方法,在保证病变检测准确率、降低读片医生劳动强度的同时,最大限度地降低漏检率。