肝癌是我国最严重的恶性肿瘤,高死亡率和高年增率已达世界之最。早期诊断与治疗是降低肝癌患者死亡率的重要举措。在肝癌早期的诊断方法中,由于CT图像的分辨率高,对人体损伤小,能够形象、准确地反映肝癌的病理位置而受到医生的普遍青睐,但大量的CT图像诊断又给放射线医生带来了巨大的工作负担,而且即使是有经验的医生有时也会由于疲劳等主观因素作出错误的诊断。因此,医学界对能够对医学图像进行定量分析进而给出参考意见的计算机辅助诊断(CAD)技术提出了迫切需求,基于CT图像的肝癌CAD是CAD技术的热点问题和难点问题之一。本文在广泛参考了国内外肝癌CAD现有研究成果的基础上,对特征提取、特征选择和分类器设计等关键算法进行了深入的学习与研究,提出了基于针对腹部CT图像进行肝癌辅助诊断的新方法,由感兴趣区域(ROI)的选取、特征提取、特征选择和分类器设计四部分组成。即首先将DICOM格式的CT图像转换成BMP格式的图像；然后确定感兴趣区域；为了获得更全面准确的信息,采用了多种特征提取方法进行纹理特征的提取；为了去除冗余的特征,采用遗传算法进行特征选择,作为分类器的输入；最后,在深入研究了支持向量机(SVM)的分类技术的基础上,设计了串联式的SVM网络的改进模型,该模型由三个支持向量机串联而成,能够有效的扩展SVM在多类识别方面的性能。利用本文方法对实际的医学图像进行了肝癌识别实验,实验结果证明了本文方法的可行性、提取特征的有效性、以及基于改进的SVM网络模型识别肝癌的准确性,并与贝叶斯分类器,BP神经网络,传统SVM进行了比较,验证了本文方法具有明显的优势,识别取得了令人满意的结果,可以为医生提高准确的肝癌诊断参考意见。