无线胶囊内窥镜（WCE）系统能让临床医生直接观测人体胃肠道（GI）图像，得到病灶体最直观的信息。而且由于其安全方便、无痛无创、全消化道检测的特点，胶囊内窥镜检测技术在临床正得到越来越广泛的应用，其相关技术已成为国内外医疗器械领域的研究热点。作为一种方兴未艾的技术，现有无线胶囊内窥镜系统的图像质量、帧率以及工作时间还不能满足临床应用的需求。特别是胶囊内窥镜在一次检测中产生大量的内窥图像，从大量的内窥图像中寻找病灶信息对医生来说是一件非常费时费力的事情，这也阻碍了无线胶囊内窥镜技术在临床应用中进一步的普及和推广。针对这些问题，本论文在国家自然科学基金（No：60875061、30570485）、国家高技术研究发展计划（863计划（）No：2006AA04Z368，2007AA04Z234）和上海市科委攻关项目（No：05111021，09DZ1907400）的支持下，对无线胶囊内窥镜系统和内窥图像中出血智能识别技术进行了深入的研究，研制出了两种类型的新型胶囊内窥镜系统样机；提出了颜色向量相似系数的概念，用以定量衡量颜色相似性程度，并推导出了相似系数的计算公式，在此基础上实现了基于颜色向量相似系数的内窥图像出血智能识别算法；使用差异演化算法对概率神经网络进行改进，构造了每个神经元具有自适应的不同的平滑参数的概率神经网络，实现了基于改进概率神经网络的出血智能识别算法。现有的胶囊内窥镜采用模拟信号来无线传输胃肠道图像，然后在接收盒中再将模拟信号变换回数字图像数据。模拟信号易受干扰，而且两次A/D和D/A转换必然会损失部分信息，所以这种胶囊内窥镜所获得的图像不能满足临床应用的需求。本论文探索了新型胶囊内窥镜系统的工作原理，设计了系统方案和架构，研制了基于JPEG图像格式的数字式无线胶囊内窥镜系统。系统由胶囊内窥镜、体外接收盒、工作站以及应用软件等四部分组成。其中胶囊内窥镜外径为12mm，长28mm，在体内能获得图像分辨率为320240的胃肠道图像。在胶囊内窥镜内，Bayer格式的原始胃肠道图像被压缩为JPEG格式的图像，而且压缩率可以通过控制量化表来改变。压缩后的图像直接被数字式无线通信模块传输出体外，无须转换为模拟信号从而节省了胶囊内窥镜内的D/A和数据接收盒中的A/D两次数模转换。数字图像数据被体外的接收盒接收存储，然后在图像工作站中由图像应用软件进行再现、分析、诊断。与模拟信号的胶囊内窥镜相比，数字信号抗干扰能力强，图像更加清晰，将有助于提高临床上胃肠道疾病的诊断率。目前的胶囊内窥镜都采用纽扣电池供电，帧率为2f/s，在人体内工作时间为5小时左右。2f/s的帧率不能使临床医生观察消化道器官的运动细节，而且纽扣电池能量有限，限制了胶囊内窥镜的有效工作时间。一方面患有消化道疾病的病人代谢功能弱，胶囊内窥镜前进速度缓慢，经常在未进入小肠之前就由于能量耗尽而停止了工作。另一方面纽扣电池进入人体存在着潜在的威胁。针对这个难题本论文探索了高速视频胶囊内窥镜的工作原理，研究了无线能量传输技术，研制了基于无线供能的NTSC制式视频胶囊内窥镜系统，系统由视频胶囊内窥镜、无线能量传输装置、图像接收盒以及图像工作站四部分组成。其中胶囊内窥镜外径为10mm，长30mm，能将获取的胃肠道图像编制为标准的NTSC制式的视频，然后无线发射出体外，帧率达30f/s。体外的视频接收盒接收NTSC流媒体视频，并编码为MPEGⅡ格式的数字视频文件存储在SD卡中。待检测结束后，视频文件被导入到图像工作站内供医生诊查。无线视频接收盒也可以直接将接收的视频信号传输到图像工作站，由图像工作站的数字采集卡采集并实时地播放显示。所以视频胶囊内窥镜系统可以让医生在病人的检测过程中实时地诊察。无线能量传输系统由体外的无线能量发射装置和内窥镜内部集成的无线能量接收子系统两部分组成。体外的无线能量发射装置由信号发生器、驱动电路以及霍姆赫兹发射线圈组成。霍姆赫兹发射线圈能在其覆盖区域内产生处处均匀变化的磁场。集成在视频胶囊内窥镜内部的能量接收子系统由3维接收线圈与整流稳压电路组成。赫姆赫兹发射线圈和3维接收线圈的配合保证了胶囊内窥镜能在体内任何位置以任意姿态接收到稳定的能量，从而解决了弱耦合无线能量传输技术中能量接收的姿态稳定性和位置稳定性问题。视频胶囊内窥镜由于采用无线能量传输系统提供能量，可以工作任意长的时间，为高速胶囊内窥镜的应用奠定了理论和技术基础。通过分析内窥图像中出血区域的特征，本文发现：在RGB和HSI颜色空间中，出血像素聚类为特定的模式类，有一个颜色范围将出血像素和非出血像素分开。所以利用颜色特征可以识别出血像素，进而识别出血内窥图像。本文将颜色表示与向量运算相结合，提出了颜色向量相似系数的概念，用以定量度量颜色相似性程度，推导出了颜色向量相似性系数的计算公式。颜色向量相似系数包括色度相似系数和灰度相似系数，当两种颜色越相似则相似系数的值越大，当两种颜色完全相同时，色度相似系数和灰度相似系数同时取最大值1。颜色向量相似系数可以用来定量衡量不同颜色的相似程度，为彩色图像模式识别提供了新的基础工具。在此基础上设计了应用于RGB颜色空间的颜色向量相似系数出血模式分类器，并结合种子区域生长算法实现了内窥图像出血智能识别的新算法。通过实验验证该算法的出血检测灵敏度和特异度分别达97%和90%。相对于已有的算法，该算法识别灵敏度高，而且运算速度快，基本实现了胶囊内窥图像出血智能识别。基于颜色向量相似系数的出血智能识别算法，能很好地识别内窥图像中的出血，但该方法扩展到其他疾病的病灶智能识别则非常困难。人工神经网络具有良好的自适应和自学习能力，已经在各种模式识别问题中得到了广泛的应用。采用神经网络构建出血识别专家系统是解决胶囊内窥图像中出血智能识别的理想方式，并能为后续的病灶识别专家系统打下基础。本文在RGB和HSI颜色空间中提取了像素的颜色特征，以像素的6维颜色特征向量为输入，构建了BP神经网络的出血模式分类器，并通过软件编程实现了该出血智能识别算法。通过实验测试，该BP神经网络出血智能识别方法的出血识别灵敏度和特异度分别为93%和96%。但该方法识别速度慢，不适合大量图像的识别。概率神经网络具有训练时问短，结构稳定，能产生贝叶斯后验概率输出的特点，因此具有强大的非线性识别能力，特别适合识别问题。但基本的概率神经网络由于每个神经元采用相同的平滑参数σ，因此识别率较低。本文使用差异演化算法对基本的概率神经网络进行了改进，使每个神经元具有自适应的不同的平滑参数，提高了概率神经网络的识别效率。与BP神经网络类似，使用像素颜色特征向量作为输入，构建了基于改进的概率神经网络的出血模式分类器，并通过软件编程实现了这种出血智能识别算法。实验显示该概率神经网络出血智能识别算法的出血识别灵敏度为93.1%，特异度为85.8%。相对于已有的出血识别算法，该方法灵敏度高，识别速度快，而且结构稳定，重复性好，基本实现了胶囊内窥图像中出血的智能识别，将应用于胶囊内窥图像的初步检测，并为实现其他疾病病灶的智能识别打下了良好的基础。