机器学习方法目前已广泛应用于医学图像识别领域。深度学习尤其是卷积神经网络可以捕获丰富的深度语义特征,这将极大的提升图像识别的准确性。另外,有些医学图像（细胞、组织等）具有丰富的局部纹理特征,而传统机器学习特征描述符可以有针对性的捕获图像的浅层局部特征（边界、纹理、颜色等）。本论文针对乳腺癌病理图像识别和诱导多能干细胞图像识别通过集成不同来源的特征信息设计多源特征集成学习模型。乳腺癌是影响女性健康最主要的恶性肿瘤之一,其中组织病理学检查是乳腺癌诊断的“金标准”。然而,组织病理学检查是一个耗时耗力且主观的过程,并且诊断效率仍然是一个具有挑战性的问题。另一方面,诱导多能干细胞作为再生医学发展的基础,它的质量制约着再生医学在医学和生物领域的发展。因此,有针对性的提出高性能的乳腺癌病理图像识别和诱导多能干细胞图像识别的多源特征集成学习模型是本论文的研究核心。针对乳腺癌组织病理图像识别,本论文提出了两个多源特征集成学习模型:改进多层级特征集成和稀疏多关系正则化学习、多网络多层级特征集成和双网络正交低秩学习。这两个模型均主要包括图像预处理、特征提取、特征选择和分类。首先,通过利用子图像裁剪和颜色增强方法执行图像预处理,以便解决图像尺寸过大、染色不均衡问题。其次,利用多层级InceptionV3和ResNet-50网络提取乳腺癌病理图像的多层级特征。然后,利用三种关系提出稀疏多关系正则化学习算法。最后,支持向量机实现分类。为了进一步改进特征提取、特征学习算法和分类器,首先利用DenseNet-121、ResNet-50、多层级InceptionV3和多层级VGG-16网络设计多网络多层级特征提取模型以获得丰富图像特征。然后,通过正交低秩学习联合分析不同网络特征的互补性和冗余性开发了双网络正交低秩学习算法,以此获得互补性特征信息并更有效的除去噪声和冗余特征。最后,为了提高分类器的准确性和鲁棒性,利用特征融合和投票策略提出集成支持向量机。实验阶段,通过使用ICIAR 2018挑战数据集来评估本论文提出的多源特征集成模型,最终分别获得了95.97%和97.70%的分类准确性。针对诱导多能干细胞图像识别,本论文提出基于多源特征集成学习的自动质量评估系统,将i PSCs菌落分为三类:良好、中等、差的。首先,进行数据采集和标注,并通过自适应伽马变换解决图像对比度和亮度不均匀的问题。其次,通过使用三种DCNN模型和四种传统机器学习特征描述子提取丰富的深度语义特征和局部纹理特征。最后,利用支持向量机实现i PSCs菌落质量的自动评估,并获得了95.50%的识别准确性。总的来说,无论是乳腺癌病理图像识别还是诱导多能干细胞菌落质量评估,本论文提出的模型均获得了良好的分类准确性和鲁棒性,并且节约了时间成本。这将推动了组织病理学图像分析在乳腺癌诊断中的发展,也将促进再生医学的发展,为乳腺癌临床药物的研究提供新的思路。