近年来,随着各种影像设备在医学中的广泛应用,基于医学影像的计算机辅助诊断迅速发展起来。计算机辅助诊断可以提高放射科医生诊断的准确率,协助医生对医学图像进行判断和识别。在特征提取的基础上进行模式分类是基于医学影像的计算机辅助诊断的重要步骤。现有的如人工神经网络等分类方法基于传统统计学,研究的是样本数目趋于无穷大时的渐进理论,然而,在实际应用中,样本的数量往往是有限的。因此,这些传统方法容易产生过学习、局部极小点等问题。支持向量机方法在1992-1995年提出,它是建立在统计学习理论的VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化(Structural Risk Minimization,简称SRM)原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和推广能力(即对未来输入输出进行正确预测的能力)之间进行折衷。支持向量机的发展很好地解决了以往困扰很多机器学习方法的问题,如模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等等。因此,它被认为是继模式识别和神经网络之后机器学习领域的新的研究热点。 论文将支持向量机的机器学习方法引入到医学图像的分类问题。首先概述了支持向量机的理论基础和数学模型,着重介绍了支持向量机的推广能力和核函数理论。其次介绍了一些主要的改进支持向量机学习算法,分析了这些算法的优缺点。最后应用支持向量机方法对乳腺X线图像提取出来的特征样本进行分类,采用交叉检验方法进行支持向量机核函数参数的选择,取得了较好的分类准确率。文中对SVM方法和BP神经网络的分类正确率采用ROC曲线进行了分析比较,并利用1-v-1法将支持向量机推广到多分类问题,取得了较好的效果。本文中的实验研究证明了SVM分类方法的有效性和优越性,对医学图像的计算机辅助诊断的发展有一定的促进作用。