随着医学影像数据(超声、X射线、MRI、CT、DSA、PET等)海量化趋势的加剧,基于内容的图像检索技术(Content-Based Image Retrieval, CBIR)在医学中的研究与应用已成为热点问题。基于内容的医学图像检索系统有助于在海量数据库中快速寻找具有类似病理特征并已确诊的临床医学图像,以此作为辅助诊断和科学研究的参考依据。现有的医学图像检索系统大都只利用了文件的自身属性或图像的底层视觉特征进行图像内容描述,鉴于医学图像具有极强的领域特征,仅仅依靠图像的底层特征是不能表达医学图像的真正含义。因此,进一步挖掘图像特征与医学知识之间的关联,是拓展医学图像检索范围的一种有效解决手段。本文在系统分析了基于内容的图像检索技术及其发展趋势的基础上,对医学图像底层视觉特征提取与优化、相关反馈中基于权重优化的组合特征表达、基于医学先验知识的语义建模等关键技术进行了深入研究。考虑到医学图像的特殊性,本文对图像底层视觉特征的提取和优化方法进行了研究。在提取有效的灰度和纹理特征的基础上,针对特征的高维特点,本文提出一种基于流形学习的降维算法,通过利用基于约束的最小二乘法求取LLE算法中局部重建权值向量的最佳值。实验结果表明,本文提出的降维方法能够有效去除特征向量中的冗余信息,进而降低匹配算法的复杂度,达到高效表达视觉特征的目的。考虑到图像特征的抽象性与人类感知的主观性存在的差异,本文利用基于组合特征加权的相关反馈方法来缩小这种差异。针对组合特征权重的计算问题,本文提出一种基于量子遗传算法(QGA)的初始权重计算方法,将检索问题转化为求取使得评价指标最佳的特征权重的最优值的优化问题,利用QGA强大的全局寻优能力计算特征权重,进而确定组合特征的表达;针对相关反馈过程中权重的调整问题,本文提出一种基于灰色关联系数的权值动态调整算法,通过计算图像特征间的灰色关联系数来估计不同特征在检索中的相对重要性,同时,在计算过程中考虑到了相关图像和不相关图像对权重的共同影响。实验结果表明,本文提出的相关反馈算法能够在初次查询阶段就取得令人满意的查询效果,同时,由于充分考虑了不相关图像对检索过程的影响,本文方法能够缩小了反馈周期,从而更加适应用户查询需求。通过对医学影像内容的分析,本文提出一种基于支持向量机(SVM)的语义建模方法,并将其用于肺部CT图像中磨玻璃密度影征象的语义模型构建。首先,根据医学先验知识确定语义表达内容,然后,分别提取图像的底层视觉特征,最后,利用基于SVM的机器学习方法建立底层视觉特征到高层语义的映射,完成语义建模;同时,为了能让视觉特征更加准确的表达图像内容,本文提出一种适用于肺部区域提取并分叶的图像预处理方法。实验结果表明,本文提出的语义建模方法有效可行,能够为医学图像语义的自动获取和辅助诊断提供一种借鉴。