³¹P磁共振波谱技术是一种有效地、无损伤地研究肝脏组织的生物代谢和化合物变化的方法。该技术对于研究肝脏疾病具有重要的临床价值和实际意义。本文首先对肝脏³¹P磁共振波谱图像进行预处理,将波谱曲线转化为可利用的数值型数据,从而建立新的数据样本集。然后基于机器学习算法-支持向量机,分别基于线性核函数、多项式核函数和径向基核函数设计分类器模型对肝脏³¹P磁共振波谱的两个数据集,包括医学上常用的20个参数组成的特征集和全部波谱数据集进行分类,从而区分肝脏样本的三种类别（正常肝脏、肝硬化和肝癌）。为了提高分类器性能,并找出对医学诊断具有研究意义的特征,通过特征选择,可以去除数据集中不相关和干扰的特征,建立最优特征子集作为分类器的输入,本文提出遗传算法-支持向量机分类器模型,基于k-fold交叉验证来评价分类器模型性能。通过反复实验表明,本文提出的遗传算法-支持向量机分类器模型对于肝脏³¹P磁共振波谱数据具有良好的分类性能。尤其是当选择特征数为20时,选择的最优特征子集作为分类器的输入,分类效果要明显高于20个医学特征组成的特征集。实验证明了本文提出的根据统计数字特征的马氏距离设计适应度函数,基于随机遍历抽样选择策略的遗传算法的有效性。算法搜索到的特征子集对于肝脏疾病的研究提供了重要的参考意义。