计算机辅助检测是利用计算机学习人类的经验,达到自动化的辅助诊断病症。随着机器学习技术的发展,应用的领域不断扩展,它与医疗图像相结合的计算机辅助诊断成为研究的热点。通过自动化的辅助检测减轻医生的工作量甚至提高诊断的准确率是科技人员不断研究的目标。有效利用医院每天产生的大量细胞图像,结合图像相关技术和机器学习的思想,建立细胞辅助检测的分类模型。由于细胞图像与普通医疗影像不同,具有不规则性和较多的干扰因素,导致识别难度增加,因此病理细胞的辅助检测方法仍需研究和进步。由于各类细胞差异较大,无法统一研究。本文以宫颈细胞图像作为主要研究对象,在其基础上研究了各项辅助检测技术,主要包括图像预处理技术、图像特征提取与分析和图像分类技术。详细的研究内容包括以下几方面:首先,研究了基于活动轮廓模型的分割技术,同时研究了基于水平集算法和曲线演化理论的C-V模型,利用C-V模型成功提取了细胞图像的感兴趣区域,分割了细胞核与细胞质。其次,针对细胞图像的特征提取技术,研究了细胞图像的全局特征,提取了包括形态、色度和纹理等特征。其中针对纹理特征的提取,根据细胞图像的特殊性,提出了改进的灰度共生矩阵纹理提取方法,提取了更有效的特征向量,提高了分类的正确率。在已提取的特征集合上采用启发式搜索算法得到最有效的特征子集用于后续的分类研究。最后,针对细胞图像的分类技术,本文研究了主流的机器学习技术,包括神经网络和SVM,分别以它们作为分类器,利用前面提取到的特征作为输入进行训练,进行宫颈细胞分类实验。在此基础上,提出了一种改进的粒子群算法,利用它优化了BP神经网络的权值训练,提高了分类器的正确率。