随着医学影像技术的飞速发展,包括多排螺旋CT在内的先进的成像设备开始在临床上广泛使用。它们产生的影像资料清晰度越来越高,数据量也越来越大,一方面为影像医师提供了更清晰的医学图像,但另一方面也给他们带来了很大的读片负荷。在此背景下,计算机辅助诊断成为解决此问题的一个有效途径。在颅脑病变的检查中,许多MRI图像难以应用的场合,高分辨率CT图像是一种十分重要的替代手段,针对脑出血和脑肿瘤等病变更是具有自己独特的优势,具有不可替代的地位。开展基于颅脑CT图像的计算机辅助诊断的研究,需要针对CT图像的特点研究诸如特征提取、图像配准和图像分割在内的一系列相关的技术。本文利用医学图像纹理分析技术提出一种基于局部直方图的几何不变矩。通过提取不同尺度下的局部直方图,计算能够反映图像纹理特征的几何不变矩,并融合了图像像素的边界信息,为图像中的每个像素建立了属于其自身的特征向量作为其形态学签名。实验证明,特征向量将图像的灰度信息映射到特征空间,从而增大了属于同一组织的像素的相似性和分属不同组织的像素的差异性,具有良好的纹理特征区分性能。在实现计算机辅助诊断的研究中,图像的非刚性配准是关键的一步。本文利用具有相同解剖位置的像素的特征向量的相似性,实现了对应特征点的自动搜索和准确定位,解决了基于特征点的非刚性配准算法需要手动选择标志点的问题。更进一步,利用基于特征向量的对应特征点自动搜索算法的良好性能,通过将特征提取与近似薄板样条非刚性配准相结合,提出了一种特征向量驱动的颅脑CT图像配准算法。该配准算法保证了颅脑CT图像上具有关键解剖意义的点的一一对应,不仅适用于正常图像的配准,而且也适用于病变图像的配准。图像分割在基于数字化图谱的病变检出中,是一种重要的定量分析手段。特征向量具有良好的组织区分能力,能够区分出颅脑CT图像上分属不同组织但具有相似或相同灰度值的像素。用改进的模糊C均值聚类的方法将特征空间的点聚集成对应不同组织区域的类团,并将分类结果映射回图像空间,在颅脑CT图像颅内空间的组织分割中取得了良好的效果,能够分割出完整的白质、灰质和脑脊液。课题研究工作的成果较好的实现了计算机辅助诊断研究中所需的特征提取、非刚性配准和图像分割等技术,具有实际应用价值。本论文的工作得到了国家自然科学基金项目(60771007)的资助。