近年来,随着计算机技术的发展应用,很多研究开始利用计算机来辅助医生进行观察,从而得到比较客观的观察结果,给医生提供可靠的数据。通过使用图像分析技术和图像识别技术来进行舌苔的分类工作是一个有着广阔前景的重要应用研究。　　 舌苔的颜色是舌诊中的一个重要特征。然而,各种颜色的舌苔图像所占的颜色范围相对较小,如果采用一般的彩色模型将难以达到令人满意的分辨效果。L*a*b*彩色模型覆盖了全部的可见光色谱,相比于其他的彩色模型,它可以更准确地表述各种色彩。因此,在本文中将舌苔图像的L*,a*,b*三个分量的平均值作为舌苔分类算法的输入数据。　　 由于舌苔在舌头上有它自身的分布特点,所以在本文中设计了一个经验模板来帮助取得舌苔的特征代表性区域。所有对舌苔的颜色分析都在这个代表性区域上进行。因为舌苔的其他部分往往特征比较的不明显,甚至含有大量的干扰性数据,容易对分类结果带来负面的影响,所以通过对舌苔图像代表性区域的选取可以提高舌苔图像分类的准确率。　　 在现有的舌苔分类方法中,模糊c均值算法是一种被广泛使用的分类算法。模糊c均值算法基于模糊数学的理论,具有理论基础完善,算法简单,易于计算机实现等优点。文中采用一种新的距离测度替代原有算法中的欧氏距离测度来消弱舌苔噪声数据对聚类结果的影响。本文实现了改进的模糊c均值算法来对舌苔图像进行分类,并通过实验评估分析了这一方法。进一步,本文采用一种能更好的模拟医生诊断过程的神经网络,即自组织映射网络,来模拟医生通过眼睛对病人舌头的直观观察的过程。自组织映射网络模仿从视网膜到大脑皮层的映射,有着坚实的生物学理论基础。因此,在本文中设计一种合适的自组织映射网络来模拟医生的诊断过程,从而实现舌苔图像的自动分类过程。同时,文中在自组织映射网络权值初始化时融进了各种颜色舌苔在临床时出现的概率的先验知识,避免了其它权值初始化方法容易使网络聚为一类的情况,也使自组织映射网络的训练结果特征图更符合实际临床医疗的情况。最后本文通过实验结果评估分析了这一方法。