现代医学一个很重要的发展趋势是数字医学，尤其是在科学计算技术和计算机自动识别技术日益发展的情况下，医学上应用数字医学技术逐渐普遍起来。医学图像作为医疗诊断中最主要的工具之一，已经逐渐成为人们研究的重点。　　医学图像的分析主要体现在特征的提取和病例分类上，而人工智能也逐渐渗透到分析的每一个环节。在图像分析的过程中，特征提取是最为至关重要的，一方面提取出的特征值是否完整得涵盖了所分析图像中的有价值信息将直接影响最终分类结果是否准确，另一方面它又关系着后续分类算法的设计和优化。　　胃癌作为目前全世界发病率较高的恶性肿瘤，由于其早期缺乏典型的症状，人工识别容易被忽视。为了确诊早期胃癌，全球公认的最有效的方法就是胃镜取样、粘膜诊断。即使这样，仍会出现人工判断失误和工作量过大的问题。本文主要的工作是提取胃镜图像的特征，并进行胃肿瘤是良性还是恶性的二分类鉴别。本文从特征提取方法和分类算法着手，根据胃镜图像特征，创新性的将复杂性度量应用于胃肿瘤图像的分析并用支持向量机的分类算法对胃肿瘤良恶性进行鉴别。　　本文的主要内容如下：　　（1）介绍了胃镜图像研究背景和意义。全面叙述了当前国内外胃癌的研究现状和进展以及临床对胃肿瘤良恶性筛查的局限性。提出利用计算机辅助诊断方法对胃肿瘤图像良恶性鉴别具有较大的经济效益（节约患者因活检取样检查支付的费用）并能有效减轻临床工作量的现实意义。　　（2）对胃镜图像的特征提取。胃镜图像是一个二维的彩色图像，其特征信息既体现在可视化的颜色和纹理中，又蕴含在非可视化的复杂性特征中。针对生命体是一个巨大的非线性混沌系统，本文侧重利用提取图像中所蕴涵的非线性特征--复杂性度量特征。首先从图像的颜色和纹理特征出发，提取出胃肿瘤图像的灰度共生矩阵的不同特征和颜色矩的不同阶特征。其次，对于复杂性特征，本文首先将经灰度处理的原始图像信号进行经验模态（BEMD）分解为不同阶的二维图像，然后利用希尔伯特空间填充曲线将其转化为一维的数字信号，并将这些一维符号串粗粒化为二值序列，再对其细粒化，求取其格子复杂性和临界细粒化指数等复杂性度量特征。　　（3）提出并研究了基于支持向量机的分类过程。在支持向量机的建模过程中，将所有肿瘤样本分为良性和恶性。由于特征参数的过多，首先要进行特征值的筛选和优化，找出有效的特征参数。其次是支持向量机的分类学习过程和参数优化问题，本文采用的是5折交叉检验方法和10折交叉检验方法两种交叉训练的方法，参数寻优上主要使用网格寻优的方法。并在最后的胃肿瘤良恶性的分类上得到准确率可达91％的较为理想的实验结果，验证了算法的可行性。