计算机辅助骨髓细胞图像的分类识别对多种临床疾病的诊疗有着重要意义。但由于骨髓细胞在特征和类别分布上的复杂性,外周血细胞识别的成熟技术难以在此取得令人满意的结果,针对性的研究也还比较欠缺。因此,本课题将模式识别领域中新发展起来的多分类器融合技术应用到骨髓细胞的分类识别中,并在融合理论的改善上作了一些探索性的研究。 多分类器融合技术结合数据融合、机器学习、模式识别等多方面理论,将来自不同分类器的识别信息进行有机结合,以降低单分类器的设计难度,全面提取和利用分类信息,达到改善或改进传统分类算法的目的。近年来,多分类器融合技术在人脸识别、手写字符识别、遥感图像分类等方向上受到了广泛重视,显示出很大的研究价值和现实应用前景,但在医学图像领域中的研究尚显不足。 融合系统的实现主要关涉到三个方面:个体分类器的设计、参与融合的成员甄选、适当的融合模型的建立。本文也即从这三方面入手,首先对骨髓细胞的特征进行分析,通过遗传算法对特征集合进行处理和优选,在建立不同结构和模式的神经网络作为元分类器的基础上,提出了一种结合最小相关度和可靠性的动态成员子集优选方法;进而对不同融合模型的机理和性能进行了比较研究,并且将基于知识的融合模型——证据理论和模糊积分方法进行了改进,使其能针对识别样本适时表达出成员分类器的性能。实验表明了该融合模型相对单一分类器以及传统融合方法的优越性。