在临床医学上,骨髓是人体的主要造血器官,骨髓细胞在形态、数目、种类上的变化往往反映出一些重要疾病的信息。计算机辅助诊断对骨髓细胞图像中的细胞进行分类识别,由于其高效,快捷的优点,对辅助临床诊断有着重要意义。由于骨髓细胞在特征和类别分布上的复杂性,外周血细胞识别的成熟技术难以在此取得令人满意的结果,针对骨髓细胞自动识别技术的研究还比较欠缺。本课题将多分类器融合技术应用到骨髓细胞的分类识别。本文的主要工作如下：1.提出了基于图像灰度梯度的Hough变换,实现对骨髓细胞的检测和分割。梯度Hough变换利用图像梯度的二维累加值数组,实现快速求得细胞的圆心坐标,运行速度快,运算效率高,实验表明该算法对各种规则或者不规则的细胞具有良好的检测与分割效果。2.针对形态特征、颜色特征和纹理特征等三类共34个细胞特征,采用Relief算法进行特征权值分析,得到按权值大小排列的特征集合,从中挑选出权值最大的16个特征,该方法实现了特征参数降维,减少了特征冗余,从而降低了单分类器设计难度,减少了运行时间,提高识别效率。3.分别设计了SVM、KNN和BPN三种单分类器,对细胞进行识别的平均识别率分别为61.9%、59.32%、86.23%。可以看出,单分类器的实验结果不是很理想,必须对分类器进行有效融合,以提高细胞分类的准确度。4.分别采用了投票法、贝叶斯法、决策模板和证据理论对单分类器的输出结果进行融合,平均识别率分别为91.08%、91.77%、89.78%、91.86%,与单分类相比较融合算法取得了更好的分类效果。在此基础上,针对经典的证据理论中的冲突证据进行了改进,提出了证据权的概念,通过计算各个证据间的距离,求得各个证据的可信度,对各个证据的权重重新分配。实验结果表明,改进的征据理论融合方法平均识别率为94.62%,比经典的征据理论识别率提高了2.76%,与其他融合算法相比较,改进型的证据理论算法具有更好的优越性。