本文以宫颈细胞图像为例,对细胞图像的分割、形态特征和极坐标特征、识别应用的技术进入了深入的研究,主要是包括宫颈细胞图像的细胞质、细胞核与背景的轮廓精确提取,宫颈细胞图像多特征融合及细胞分类识别方法。主要研究从以下几个部分：(1).提出了一种基于自适应阈值和射线梯度的GVF Snake主动轮廓模型,用来定位宫颈单细胞图像的细胞核与细胞质的边缘。GVF Snake主动轮廓模型应用比较广泛的主动轮廓模型的目标边缘跟踪算法,但是宫颈细胞图像,特别是细胞质边缘相对模糊、细胞核与细胞质的边缘相互吸附难以分开,还有干扰性的血细胞及炎症细胞、染色度分布不均匀,都是导致GVF Snake模型细胞边缘吸附到错误的位置。为了解决以上难题,本文研究了以下方法：首先是利用自适应阈值去除细胞背景,然后使用射线梯度方向的信息计算细胞灰度值,最后根据射线上的灰度值使用GVF Snake模型演化,在演化过程中使用栈的灰度差补偿算法,结合正向灰度差抑制能够很好的克服噪声、血细胞及炎症细胞等虚假边缘的信息影响。本文使用的Herlev数据库验证了该方法的有效性和可行性。(2).在对宫颈细胞图像进行精确分割的基础上,研究了宫颈细胞图像的形态特征参数,主要包括9种几何特征和4种纹理特征。9种几何特征分别为：细胞质的周长、细胞核的周长、竖直方向的最长轴、水平方向的最宽轴、细胞核与细胞质的比率、轴中心到周长的最长长度、轴中心到周长的平均长度、重心到周长的最长长度、重心到周长的平均长度；4种纹理特征：共生矩阵的熵、共生矩阵的对比度、对比度和粗糙度。宫颈单细胞图像是由细胞核、细胞质和背景三个区域都可以转化到极坐标系下,提取极坐标下的极经灰度值,360条极经的灰度值组成一个特征矩阵。本文将极坐标下的特征向量与前面的形态特征进行融合,来研究宫颈细胞的识别。(3).使用基于AdaBoost与SVM算法结合的向量机,改善了分类器的稳定性和差异性。采用的AdaBoost-SVM分类器将提取的宫颈细胞多特征进行融合,再识别分类应用。双重分类器结合可以弥补单个分类器的缺点,提升分类识别效率。通过特征提取方法与AdaBoost-SVM多特征融合分类器结合,实验结果证明：提高了宫颈细胞涂片筛查的效率和准确率,降低了宫颈癌的误诊率。本文对宫颈细胞图像的分割、特征提取和宫颈细胞的分类识别等进行了系统性的研究和改进。实验结果表明：本文的方法能较好的完成宫颈细胞的定量分析,对于宫颈细胞图像的自动筛查分析系统具有较好的应用价值。