本文基于31P磁共振波谱图(31Phosphorus Magnetic Resonance Spectroscopy, 31P MRS),通过对肝脏数据样本的分类进行病情的诊断,共分为三种诊断类型:肝癌,肝硬化和正常肝。31P磁共振波谱成像技术作为目前唯一用作研究活体肝脏细胞的非侵入检查方法,在无创性临床诊断、临床治疗、效果监测等临床应用方面发挥越来越重要的作用。但是目前基于31P磁共振波谱图来判断病例类型需要对波谱图进行后期处理,后期处理过程不但非常复杂,并且主要由专业人员手动完成、与操作者的熟练程度是息息相关的。因此,研究一种客观地评价波谱图数据的方法越来越紧迫。本文首先从31P磁共振波谱图中读取每个波谱的全部数据,然后再对由全部波谱数据构成的数据集进行模式分类。但是数据的各个特征的相关性大小以及数据的高维性对模式识别的方法提出了很大的挑战,为了解决这两个问题,本文在模式分类之前先用遗传算法对由全部波谱数据构成的数据集特征选择,选择出具有显著性分类效果的特征子集,然后分别用线性分类器和二次分类器对数据集进行模式分类,并在分类过程中用k-fold交叉验证方法用来把样本数据集分成训练样本集和测试样本集。实验结果表明,先用遗传算法从31P磁共振波谱图数据中选择出具有显著性分类效果的最优化特征子集,然后再用线性分类器进行分类的方法,肝癌样本,肝硬化样本和正常肝样本这三种类型的正确识别率分别达87.90%、91.97%、99.64%。并且遗传算法选择出的具有显著性分类效果的特征大部分分布在关键的共振峰附近,与医学上的诊断基本相吻合,将来可以辅助临床医生对肝脏细胞31P磁共振波谱图数据的类型进行诊断。