支持向量机(support vector machine,SVM)是继神经网络之后机器学习的又一个研究热点,由于其出色的学习能力和泛化性,目前已被应用到多个领域。本文将支持向量机技术运用到医学图像的分类问题中来,实现肝脏 B超图像的识别,而如何利用支持向量机的优势提高肝脏B超图像的识别率是本课题的研究重点。由于B超图像的识别是一个多分类的问题,因此本文主要采用支持向量机的多分类方法,结合生物医学工程、计算机技术以及模式识别技术,来实现 B超图像的识别与分类。本文针对此课题做了如下工作:　　(1)给出了改进的导向无环图分类算法,并分别与 SVM常用的几种多分类方法进行对比,改进算法提高了多分类的识别率。　　(2)图像的预处理阶段,对B超图像的感兴趣区域进行了图像分解,分解的目的是将图像的卡通和纹理部分分开,降低提取图像的纹理特征时卡通信息对其所带来的干扰。　　(3)提取了B超图像的灰度直方图统计特征、灰度共生纹理统计特征、灰度梯度-共生纹理统计特征以及灰度行程纹理统计特征,同时为了消除特征信息中的冗余,本文对提取的特征紧接着进行特征降维,在不影响分类识别率的前提下,特征降维可有效降低计算的复杂度。　　(4)为验证本文SVM算法的可靠性,分别与BP神经网络及K-means聚类方法进行实验对比,本文给出的SVM分类算法对肝脏B超的识别有可行性和有效性。　　(5)本文基于MATLAB的GUI设计了一个肝脏B超识别辅助系统,将分类识别工作分为三大模块来完成,并给出SVM的最终分类结果,为B超医师进行临床诊断提供了定量的依据,辅助医师做出更准确的诊断。