随着科技的飞速发展和进步，每日的大宗市场交易、股票期货金融领域、医疗行业积累了大量的数据，如何利用这些数据，在海量数据库基础上，纵向挖掘出有价值的信息成为研究热点。相应地产生了多种数据挖掘相关算法，数据挖掘可以有效地在复杂的数据中找寻有用的信息。在医疗行业，医院积累了大量的图像。在2010年，一家三甲医院放射科图像存储量平均为2T，而且每年以成倍的速度递增。在这些积累的医学图像中，医务人员寻找病理上相似的医学图像是十分困难的。传统的基于文本的图像检索无法满足医务人员日益增长的检索需求，亟待开发一个高效的医学图像检索系统，基于内容的图像检索可以弥补传统基于文本的图像检索不足。因此，基于内容的医学图像检索系统应用潜力巨大。本文针对医学图像检索中单一特征无法有效表达复杂特征、易陷入局部最优的问题，提出一种将医学图像形状特征和纹理特征相结合的成对约束特征选择蚁群聚类算法。首先，通过结合纹理特征灰度共生矩阵和形状特征Hu不变矩，建立多特征医学图像数据库集；然后用成对约束降维算法对医学图像数据集进行特征选择，形成最优特征集，并对最优特征集进行动态加权，对加权最优特征集进行蚁群聚类，形成有规则的簇，最后通过加权马氏距离相似性度量算法检索医学图像。基于改进的蚁群聚类医学图像检索算法相比传统的蚁群聚类检索算法减少专业人员对先验值的依赖，区分出重要特征并按照重要的程度给予动态加权，本研究算法提高检索分类性能和稳定性，使检索查全率和查准率进一步优化，检索医学图像效果达到预期目标。本文是在实验室原有图像检索平台上开发的一个可以实现医学图像动态检索的检索系统。借鉴了郭金鸽基于纹理特征的医学图像检索技术和刘伟基于反馈的医学图像检索优点，提出了基于多特征的的图像检索系统。研究进展如下：综合提取医学图像的纹理特征和形状特征，建立医学图像多维数据库。分别测试了灰度共生矩阵、Hu不变矩、两种算法融合的检索效果。初步得出结论：单一的特征无法满足医学图像的检索需求，两种算法融合后，初始检索效果比单独算法检索效果好，但是需要对两种算法设置权重。两种特征融合后，需要解决权重设置问题。解决这个问题主要有两条技术路线：一是根据相关反馈算法，另一个是对综合特征进行特征降维。相关反馈算法整体上改变了图像检索的效果，但存在漏检的缺点，有时不能检索出最相似的医学图像。多维特征降维是模式识别的常用降维的方法，本文对成对约束算法、主成分分析、线性判别分析对医学图像特征降维，测试这三种算法在蚁群聚类的实际聚类图。充分说明医学图像多维数据选择的必要性和重要性。本文采用成对约束算法对多维特征降维，最后对降维后的数据进行蚁群聚类，形成几个有规律的簇。聚类可以检索出最相似的医学图像。