肝癌是致死率极高、直接危害人类生命健康的恶性肿瘤,早期诊断可以为治疗争取更多的时间和延长患者的生命。病理图像是肝癌诊断的金标准,将计算机辅助诊断(CAD)技术与肝癌病理诊断相结合,对提高早期肝癌的诊断率有重要意义。本文将肝病理图像作为研究对象,对肝癌的多分期识别进行研究。由于单一颜色空间不能完全反映出图像所包含的信息,本文提出将原始肝病理图像映射到不同的颜色空间和纹理空间中,在这些不同空间中提取特征,获取更全面、更有用的分类信息。鉴于实验所用肝病理图像的特点,选择的颜色空间包括R空间、B空间、Y空间,选择的纹理空间包括熵空间及LBP空间。在特征提取阶段,由于局部二值模式(LBP)特征和局部方向模式(LDP)特征在单一尺度下对邻接像素点采样,获取的信息不全面,而扩大采样尺度又会增加计算量,因此本文基于多尺度稀疏采样的方式提出了稀疏多尺度局部二值模式(SMLBP)特征和稀疏多尺度局部方向模式(SMLDP)特征,并改进了 LBP特征和LDP特征的不足。由于高阶局部自相关(HLAC)特征只考虑了局部信息,忽略了全局信息,不能反映出像素点之间的差异,因此本文提出了均值矫正的高阶局部自相关(ACHLAC)特征,弥补了 HLAC特征的以上缺陷。在分类器构造阶段,由于每种分类器都有其利弊,因此本文将多种分类器结合构造分类模型,采用投票的方式对分类结果进行决策,可以提升分类器的性能。为了验证算法的有效性,本文做了大量对比实验,验证了网格参数寻优法优化SVM参数的有效性、多空间映射的有效性、SMLBP特征、SMLDP特征、ACHLAC特征的有效性以及利用投票的分类器模型的有效性。实验表明:本文方法对肝病理图像的总体分类准确率达到95.1%,能够较好地识别肝癌病理图像,具有良好的应用前景。