医学内窥镜因其独特的构造能够深入患者的体内,直接观察体内胃肠道各器官的表现,从而在现代胃肠道疾病的诊断中发挥着巨大的作用。但胃肠道疾病的诊断依靠内科医师对内窥镜图像进行日视解读来初步判定,这十分依赖医生的诊断经验,造成了沉重的工作负担。因此面对内窥镜手术中产生的大量医学内窥镜图像,如何能够通过分析图像的表现模式为医生提供异常检测层面的辅助诊断是一个十分具有实际意义的问题。论文的主要研究内容如下：1.医学内窥镜图像的特征提取方法。本文提出了一种融合传统的颜色特征、纹理特征以及卷积神经网络特征的特征提取算法,在对检测单元提取颜色直方图统计特征和局部二元模式特征的基础之上,设计了卷积神经网络模型来有监督地学习检测单元特征的表示,并通过梯度提升树模型对两种特征信息进行了融合。实验结果表明本文的特征提取算法能够获得更好地描述医学内窥镜图像中的各种表现,从而提升异常检测效果。2.结合代价敏感的异常检测技术。由十异常检测中不同类误分代价不同,并且图像中不同类别样本数量失衡,本文将代价敏感技术与异常检测相结合。首先通过代价敏感的支持向量机模型对样本进行分类识别,并提出了ROC曲线在低漏警率下的截面积作为代价敏感的模型评价指标来评估模型的表现,并指导模型的参数选择过程。实验结果表明本文结合代价敏感的异常检测技术能够较好地使异常检测结果与实际诊断对低漏警率的需求相结合。