肿瘤是威胁人类健康的主要疾病之一，其中脑肿瘤是最常见的实体肿瘤，有一半发在后颅窝。肿瘤的发病不分年龄，肿瘤发病的低龄化更是引起人类的重视，其中室管膜瘤、髓母细胞瘤和星形细胞瘤是常见的儿童后颅窝肿瘤。对于不同的肿瘤，治疗及预后方案也不同，所以在术前正确地鉴别肿瘤类别非常重要。　　目前，临床上主要采用医生对肿瘤的MR图像进行人工鉴别的方法，人工鉴别工作量大，易疲劳，而且主观性强，可重复性差，具有一定的局限性，依据经验的人工判别出现的差异较大。近年来，纹理分析成为计算机辅助检测的研究重点。MR图像中包含丰富的纹理信息，计算机辅助检测作为一种非侵入式的诊断，依靠计算机对MR图像进行纹理分析，提取有用的纹理特征对图像进行分类可达到对不同肿瘤分类的目的。本文通过Gabor小波变换提取儿童后颅窝肿瘤的MR图像的纹理特征，并使用统计学方法对提取出的特征进行筛选，选取有用的特征向量使用支持向量机对特征训练及分类从而实现对不同肿瘤的分类识别。本文主要工作有:　　本文研究了图像纹理特征提取和分类的方法，根据儿童后颅窝肿瘤的特点重点研究了基于Gabor小波变换和支持向量机。肿瘤图像中方向和尺度等信息丰富，Gabor小波变换具有多尺度、多方向的特点，相比其他的纹理分析方法可以得到更为丰富的纹理信息。经过不同尺度数量、方向数量的多个滤波器组的对比，选择出合适的Gabor滤波器参数，既不会造成信息的冗余，又能最大限度的保留后颅窝肿瘤的信息特征。提取的特征向量为均值、对比度、熵和角度方向二阶距。将提取出的四组特征向量使用SPSS进行统计学分析，从中筛选出具有统计学差异的特征向量，将其分别输入支持向量机中进行训练分类，得到三种肿瘤的分类正确率。　　本文分别对来自郑州大学第一附属医院的22例室管膜瘤、23例髓母细胞瘤和19例星形细胞瘤进行Gabor小波变换，按以上方法提取出四组特征向量并进行了纹理分析。由于经过Gabor小波变换后，图像产生了边缘效应，将会对分类结果造成差异。本文在使用Gabor小波变换的基础上，使用数学形态学的方法，对图像进行一系列形态学运算，消除了边缘效应。通过最终的实验结果，表明基于Gabor滤波的纹理特征分析能够有效实现儿童后颅窝肿瘤中室管膜瘤、髓母细胞瘤和星形细胞瘤的分类，可以作为一种临床诊断的辅助方法。