医学CT成像是一门重要的依序图像采集技术，医学 CT图像能够比较清晰地显示人体器官、组织的解剖结构，能够辅助医生判别各种病变类型。医生利用CT图像进行辅助诊断时通常会出现两个问题：（1）需要每天查看大量的图像，医生的工作量较大，造成体力和精神大量消耗，易产生误诊、漏诊现象；（2）由于噪音的干扰,图像采集设备采集到的CT图像有时会出现病变区域边缘模糊现象，易导致医生对疾病的误判，不利于疾病的诊断与治疗。针对上述问题，利用基于医学CT图像的计算机辅助诊断技术能够辅助医生进行病变类型图像的判别，降低医生的工作量，提高诊断质量。　　肝癌CT图像识别技术是基于医学CT图像的计算机辅助诊断系统的关键。本文根据肝脏CT图像的特点和放射科医生临床诊断经验，提出了一个从图像预处理、图像分割、图像特征提取、到肝癌CT图像分类识别的方法，实现了对肝癌的有效识别。通过对图像进行预处理和图像分割，得到精确的病灶边缘区域；利用灰度共生矩阵方法提取图像的纹理特征，通过对病灶区域边界统计、计算获取图像的形状特证；提出了相对光密度的概念作为图像的一个特征。采用主成分分析法对提取到的图像特征进行降维处理；利用BP神经网络设计了两个分类器对肝癌 CT图像进行分类识别，利用纹理特征主成分对正常肝 CT图像和非正常肝CT图像进行分类识别；利用形状特征和相对光密度主成分对非正常肝CT图像中的囊肿、血管瘤和肝癌进行分类识别。实验结果表明，正常肝、非正常肝的识别率分别为94.23％、92.57%；囊肿、血管瘤和肝癌的识别率分别为88.23%、79.19%和90.19%，识别效果较好。采用模糊c均值聚类算法对囊肿、血管瘤和肝癌进行分类，实验结果表明，100副样本的肝癌图像有88副能够被识别出来，对肝癌图像的识别效果较好。