随着医学和计算机图像处理技术的飞速发展,医学图像自动识别诊断是当前计算机图像技术和医学图像交叉领域研究的热点。利用计算机图像处理技术完成对病理图像的识别和辅助诊断,其研究目的就是如何构造快速、正确率高的病理图像分类器,协助病理专家进行医学诊断。本文以人体肝脏细胞级切片图像为研究对象,在分析病理图像特点、图像融合及识别算法理论的基础上,研究实现了基于病理图像的特征提取方法,重点设计实现了一种基于神经网络的特征级与决策级数据融合相结合的医学图像分类识别算法。本文主要的研究工作如下：(1)通过归纳总结国内外文献资料、分析现有病理图像识别算法的不足,研究设计了基于神经网络和数据融合相结合的医学图像分类识别算法框架。(2)为了使病理图像的特征更加凸显及滤除噪声的干扰,在病理专家的指导和帮助下,通过分析总结医学病理图像的特点,完成了原始图像的预处理和仿真实验,包括灰度变换、阈值分割、中值滤波、直方图均衡化和基于空间域的图像锐化等。(3)为了使提取的特征能够完整地表达图像的内容,经过大量的实验对比,最后提取了基于直方图的颜色特征6维、基于小波包和分形相结合的纹理特征18维以及基于不变矩的形状特征7维,构成了31维表征医学图像的特征矢量。(4)为了消除降低特征之间的冗余度及提高诊断识别的实时性,完成了基于主元分析法的特征级数据融合实验,不仅降低了特征之间的冗余度,减少了特征空间的维数,同时又保留了所需要的识别信息。(5)重点设计实现了一种基于神经网络的特征级与决策级数据融合相结合的医学图像分类识别算法；先分别采用自组织神经网络、BP神经网络、LVQ神经网络、贝叶斯法及欧式距离法等五种识别技术完成医学图像分类识别,最后采用多数投票算法实现了决策级融合识别；理论分析和实验结果均表明该识别算法有效地解决了任何一类特征都不能很好地表达医学图像内容的不足,充分利用了不同分类器之间的互补性,进一步提高了医学图像的识别率。