尿检系统是随着人们对医疗卫生保健越来越高的期望而产生，软件平台结合模式识别算法对尿液细胞进行分类实现了自动高效的检测。尿沉渣中的有形成分种类变化多样，结构复杂，图像背景复杂模糊不清，极易造成干扰和误判，使尿沉渣自动识别的难度增加，准确率低。本论文从理论算法和实际临床实践两方面对尿沉渣识别系统进行研究，利用自适应二维熵阈值分割和SVM分类算法技术，实现尿沉渣细胞图像的各类有形成分的统计分类。针对尿沉渣图像处理过程，将低倍镜和高倍镜运用坐标跟踪技术实现完美的过渡，运用自适应二维熵Canny双阈值分割图像，并用形态特征使得低倍镜下图像Epithelial(上皮细胞)、Urinary cast(管型)自动分开；通过低倍镜的坐标跟踪获得最有效的放大区，对高倍镜下图像用固定阈值分割细胞图像提取高倍镜下红细胞和白细胞的26维特征向量，经过归一化处理后，运用SVM分类器进行训练和识别分类，最后成功分类，进行测试时，识别率可以达到90%以上。尿沉渣细胞图像的散焦噪声和背景的干扰，对比几种去噪算法，选择使用Gabor滤波器对图像进行预处理。在细胞图像分割中，于性能和效率的探索中，对比分割实验，提出改进算法来提高图像分割速度和分割效果。在提取尿沉渣有形成分的特征值的基础上，使用最具代表性的26维形态、统计、纹理特征，改进SVM算法核函数及参数，获得识别率较高的SVM分类器。本论文在整个尿沉渣图像处理系统中，验证SVM算法，并逐步提高尿液细胞的正确识别率。通过SVM算法在训练样本数很少的情况下，得到正确的分类效果，能达到很好分类推广能力。在归一化特征向量矩阵中，采用交叉验证法来选择核函数及参数，根据Red cell(红细胞)、White cell(白细胞)最佳26维特征向量区分，设计出分类器，得到了相应的混淆矩阵。在经过分类器的训练得到最高识别率的分类器，再经过测试，验证分类器的较高的准确率。