近些年的医学成像技术的急速发展,带动了医学诊断技术持续地向前推进。大量的医学图像被用于临床诊断,但是目前对医学图像的使用还是依靠医务人员的人工观察和判断,这带来了一些问题:一方面由于医务人员观察角度的不同会导致诊断结果的不同,而且医务人员的自身实践水平的不足可能会导致病人的诊断出现偏差;另一方面单纯的人工应对医学图像业已无法适应海量医疗数据增长的需求。因此如何有效的利用医学图像受到了研究者的广泛的关注和深入的研究。数据挖掘技术可以从大量的数据中找出有价值的信息,利用此技术对医学图像进行处理也应运而生,其中聚类分析作为数据挖掘不可丢失的一环发挥着关键的作用。因此本文的主要目的是通过对人脑CT图像的表征特性的研究,能够更加有效利用现有的CT图像资源利用,特别是对脑CT图像聚类的相关研究实现帮助医生诊疗、提取隐藏的利用价值。然而现有的医学图像特征表达大多使用低层语义特征(如颜色,纹理等)细粒度地比较图像的相似度,但是医生就诊更多依据图像在局部区域高层语义特征(如是否病变,病变类型等)的差异粗粒度地判断图像的相似程度。本文针对现有的医学图像特征表达忽略了医学图像特有高层语义特征,致使医学图像聚类效果不佳的问题,提出了一种融合医学图像纹理特征和特有形态学特征的多模态特征医学图像聚类方法。首先本文一方面提出使用纹理特征融合方法表示医学图像全局底层语义特征,并使用纹理特征提取方法得到图像集的纹理特征矩阵;另一方面提出使用图像分割的感兴趣位置(Region of Interest,ROI)的形态学描述作为形态学特征表示医学图像的局部高层语义信息,并使用ROI区域提取方法和ROI向量化方法得到图像集的形态学特征矩阵。其次结合提出的新的相似性计算方法分别计算脑CT图像两类特征的关联关系,得到最终的图像之间的相似度关系;最后根据图的谱理论使用多核谱聚类方法学习特征融合权重。本文实验与几种传统和最新的研究成果进行了对比,得到了它们在非正常图像和正常图像的不同数量比例下的聚类效果,实验结果表明本文提出的特征方法和相似性度量方法可以减小非正常医学图像和正常医学图像聚类相互干扰,实现复杂医学图像聚类。