腰椎间盘退变诊断对预防腰椎疾病意义重大,但目前对其诊断主要依赖于影像医师的主观评价,易因个人经验不足产生误判。本文基于核磁共振（NMR,Nuclear Magnetic Resonance）检测的椎间盘代谢组学数据,应用机器学习方法建立自动识别腰椎间盘退变（LDD,lumbar disc degeneration）等级的计算机辅助诊断方法,为影像医师提供参考。首先,本文对Spearman相关分析、基于矢量均值相似性的样本分割法（MSSS）和数据标准化方法进行了阐述。介绍了几种经典的机器学习分类器,包括logistic回归、Softmax回归、神经网络、支持向量机、朴素贝叶斯、k近邻和决策树等等。考虑各种机器学习分类器在腰椎间盘代谢组学数据上的适用性,选择了Softmax回归、神经网络、支持向量机三种机器学习算法来建立腰椎间盘退变等级分类器,并详细介绍他们的实现原理和优化过程。其次,应用Spearman相关分析分别验证腰椎间盘上的T2*值和椎间盘相邻上、下位椎体的NMR脂肪分数（FF）等生化代谢指标与腰椎间盘退变Pfirrmann等级的相关性,分析结果表明数据集中的三种代谢指标都和腰椎间盘退变程度显著相关。因此整个数据集包含390个样本,每个样本由三种生化代谢指标描述。在对数据集预处理过程中,应用基于MSSS算法将数据集划分为训练集和测试集,并分别对训练集和测试集作数据标准化处理。在训练集上分别根据Softmax回归、神经网络、SVM机器学习算法的优化问题,训练出相应分类器的参数。在测试集上比较三种LDD诊断分类器的性能。随后,注意到医学数据存在的类别不平衡问题会影响计算机辅助诊断分类器的性能。为了减缓类别不平衡对分类器的影响,提高腰椎间盘退变等级诊断效果,本文使用基于马氏距离的MDO（Mahalanobis Distance-based Over-sampling）算法对训练集中的少数类样本集进行过采样,该算法使新生成的少数类样本保持相应类别属性的波动性和相关性。过采样后,所有类别的样本个数与多数类样本集相等,因此得到样本类别平衡的数据集。然而,新合成的少数类样本可能增加不同类别之间重叠的概率,为了解决这个问题,本文对MDO算法进行一定的更改,再使用更改的MDO算法对训练集的少数类进行过采样。最后,分别在测试集上比较无类别平衡处理、基于原MDO算法和更改的MDO算法的类别平衡处理等三种情形下LDD诊断分类器的分类效果。从正确率、查准率（P）、查全率（R）、1F值和Kappa系数五个评价指标来看,相较于未进行过采样的分类器和MDO算法产生的分类器,更改的MDO算法得到分类器有更好的性能。