随着医学成像技术的发展,数字医学图像在辅助诊断、教学和生物医学研究领域发挥了日益增大的作用;与此同时,医学影像的数量也与日剧增。面对这些海量的医学图像数据,如何从中找出需要的图像成为一个日益迫切的问题,因此医学图像检索逐渐成为了一个重要的研究方向。传统的医学图像检索都是基于文本的检索,依赖于对图像手工添加标签,存在着耗时耗力,以及主观性强的缺点,这使得医学图像的自动标注成为了一个重要的研究课题。自动图像标注是图像检索任务中重要而具有挑战性的工作,本文结合医学图像的特点,对医学图像的底层特征进行了针对性地的研究,并探索了不同的医学图像自动标注算法。本文主要的工作如下:(1)回顾了图像标注和医学图像标注近年来技术发展的历程,展望了今后研究的方向。(2)介绍了并分析了适合医学图像分类的多种视觉特征,比如:Patch、灰度共生矩阵、Tamura、Gabor、LBP、SIFT、modSIFT。(3)当采用局部特征时,如果能利用好特征的空间位置信息将有利于分类精度的提高。为了提高处理速度,我们采用Patch做为局部特征,并利用空间金字塔的方式引入空间位置信息,使得特征能更好的表达图像信息,然后采用SVM分类器进行分类。并把该方法与当前先进的方法进行了比较,我们的方法能取得相当或稍好的分类的精度。(4)当图像数量增加,分类类别数增多时,如何提高分类算法的效率就变得非常重要。我们研究了Boosting算法在医学图像模式分类的应用,比较了几种用于多类分类的Boosting算法,特别是结合ECOC框架的算法,对于不同全局特征的分类效果。