肝细胞癌在全球的癌症中被列为第六大常见的肿瘤,同时也是癌症死亡的第三大原因。随着医学影像技术的发展,利用计算机辅助诊断技术可以充分分析肝细胞癌核磁共振影像,通过大量数据的综合分析,以及现有的高性能计算机的快速计算,对肝细胞癌患者进行病理良恶性程度自动分类,不仅减轻了医生的工作量,提升了疾病诊断的效率,还在一定程度上提高了肝细胞癌患者的生存率。本文以广东省某医院的肝细胞癌磁共振影像数据作为研究对象,采用深度学习等技术手段,完成了肝细胞癌位置与通道非局部特征融合以及局部与非局部特征融合算法的设计与实现。本文的主要研究工作如下:(1)完成了肝细胞癌影像局部特征的提取及分类实验。采用卷积神经网络分别对肝细胞癌轴位、冠状位和失状位三个面的图像进行深度特征提取,将提取的特征作为本文局部特征的表示,并用于肝细胞癌良恶性分类。与传统的纹理特征分类结果相比,深度学习的方法分类效果更好。(2)完成了肝细胞癌磁共振影像的位置非局部特征和通道非局部特征的提取及相关分类实验。借鉴非局部均值的思想,采用位置非局部模块和通道非局部模块,分别对肝细胞癌图像进行两种非局部深度特征的提取,捕捉肝细胞癌特征图的空间位置依赖性和通道特征依赖性,完成了两种非局部特征在肝细胞癌良恶性分类的对比实验。经过实验验证,非局部特征比局部特征的分类准确度更高,更适合肝细胞癌良恶性的分类。(3)完成了位置非局部特征与通道非局部特征融合算法的设计与实现。在单独的位置与通道非局部特征分别进行分类实验的基础上,将两种非局部特征进行融合用于分类。实验结果表明将两种非局部特征进行融合的分类效果要比单独的位置非局部特征或者通道非局部特征要好。(4)设计了一种局部与非局部特征融合分类算法,在局部与非局部特征单独分类实验的基础上,将两种特征进行融合,并完成了多视图特征融合方式与多特征融合方式的算法对比分析。实验结果表明了局部与非局部特征融合方式在肝细胞癌良恶性分类中效果较好。