医学影像已成为疾病诊断、术前决策、术后检测和术后随访等临床工作的重要依据,医学影像诊断是医学无创伤性诊断的主要方法之一。面向医学图像的诊断技术研究已成为国内外医学领域研究的重要方向之一。利用数据挖掘中的分类和计算机技术,对医学图像进行分析、计算、处理,从医学图像中挖掘出蕴含在图像内的丰富特征信息和规则,辅助医生进行医学图像临床诊断,具有较高的学术价值和广泛的应用前景。目前,面向医学图像的分类技术研究刚刚起步,现有的分类方法直接应用于医学图像还存在许多问题。探索和研究适合于医学图像的分类方法及其算法具有十分重要而现实的意义。论文讨论了医学图像分类的目的、意义和国内外研究状况,针对医学图像自身的特点及医学图像分类的应用要求,分析了医学图像的分类方法。并针对现有单分类算法存在的问题,提出基于多分类器组合的分类算法,并引入增量式分类问题,较好地解决了在挖掘不断更新的海量图像数据库数据时,现有算法效率低下等问题,建立了基于多分类器组合的医学图像分类器。论文以医学图像数据为研究对象,从理论、算法和应用三个方面对医学图像分类进行了研究。工作的研究成果主要包括以下内容:1.系统回顾了医学图像的特征提取方法,利用基于灰度直方图、基于灰度共生矩阵、基于小波变换等的特征提取方法提取了多维肝脏CT图像特征,分析并实现了几种典型的分类算法。2.详细研究了Cascade组合模型,针对单分类器准确度无法突破,构造了基于Cascade组合方法的组合分类器,并应用到医学图像分类中,对其性能进行了分析比较。3.针对组合分类器分类过程复杂,系统开销较大,提出了基于Cascade组合的增量式分类模型,实现了各种单分类器、非增量式组合分类器及增量式组合分类器,对其分类性能进行了比较。4.研究了医学图像的多分类器组合分类模型,初步分析了组合分类器分类规则的抽取方法,给出肝脏图像特征数据分类的规则描述。