卵巢恶性肿瘤被称为女性恶性肿瘤中的头号杀手,但良性肿瘤的预后良好,因此卵巢肿瘤的及早诊断对于患者的治疗、预后极为重要。但目前关于卵巢肿瘤的良恶性分类仍较大程度上依赖于病理活检和影像学检查,诊断结果具有一定程度的不可重复性和主观性。影像组学作为一种非侵入式的,可重复的评估肿瘤异质性的方法,从患者的影像学图像中提取大量的特征,通过特征选择筛选得到具有鲁棒性的特征组合,应用分类器进行建模分析,能够为临床任务提供一种全新视角。本文基于影像组学的方法对卵巢肿瘤进行良恶性分类研究,同时为卵巢肿瘤的诊断提供一种辅助诊断方法。本文回顾性收集了 135例卵巢肿瘤患者的资料与CT图像,其中良性73例,恶性62例,并分别为每位患者提取深度学习特征和基于统计方法的纹理特征,其中,深度学习特征从基于CT图像训练得到的卷积神经网络中提取,将降采样得到的特征图谱全局平均池化,共得到1984维深度学习特征。我们共提取得到万余维特征,其中必定存在冗余和与任务无关的特征,需要使用特征选择算法对特征集进行精简。本文设计了一种四步特征选择模型,通过多种特征集与不同特征选择方法的组合得到了分类效果最好的Elastic Net-SVM模型,从12548维特征中筛选得到13维特征子集,依据训练集数据的特征子集训练SVM模型并用测试集测试其泛化能力。同时,为保证所使用的特征不受医师主观性勾画的影响,减轻医师的工作负担,本文基于U-Net的基本框架提出了一个新的神经网络分割模型SERES U-Net,并与现有分割模型比较证明了其优越性。本文共建立了三个卵巢肿瘤良恶性分类模型:基于统计方法的纹理特征的分类模型、基于深度学习的分类模型、基于组合特征的分类模型。本文依据Bootstrap+0.632自助采样法对卷积神经网络的初始超参数进行了讨论,确定了最优超参数组合。通过在测试集进行评估得到基于组合特征的分类模型性能（AUC:0.9089、sensitivity:0.8916、specificity:0.7806、accuracy:0.8296）优于单独基于统计方法的纹理特征的模型（AUC:0.8645、sensitivity:0.8236、specificity:0.7004、accuracy:0.7481）和基于深度学习的分类模型（AUC:0.7684、sensitivity:0.7368、specificity:0.8000、accuracy:0.7692）。本文所提分割模型 SERES U-Net,虽在现有的数据集上取得了较好的分割结果（Dice:0.8047,IoU:0.7467）,但并不令人满意,因此关于自动分割算法的研究还需要进一步的探讨。总的来讲,通过将深度学习特征与传统的影像组学特征结合得到新的特征集,使用特征选择建立模型能够更好地对卵巢肿瘤进行良恶性分类,为卵巢肿瘤的诊断提供信息,有望成为一种新的卵巢癌辅助诊断手段。