在临床检验领域中,血型检测是输血必须的检测项目,其临床应用极其广泛。血型鉴定和交叉配血作为输血科的常规工作,是安全输血的重要前提和保障。全自动数字检测仪目前已被大众逐渐熟知,国内多家的企业从事微柱凝胶检测卡批量生产的工作,但是,与之相匹配的国产自动检测仪并不普及,仍需依靠国外相关的产品,因此,实现并完善国内血型检测的自动化批量化识别的技术迫在眉睫。本文具体研究内容与成果如下:(1)为微柱血型卡特征数据提取做充足准备,主要是从三个方面做准备:制定图像预处理操作流程,包括灰度化、二值化、图像增强技术、形态学运算等,详细说明了其原理以及达到的图像处理的效果,为特征数据提取奠定了基础;针对微柱血型卡中微柱血型管壁对特征数据提取造成干扰,影响后续数据分析结果的问题,提出使用掩模处理的方法将管壁去除,详细介绍了掩模操作的原理以及操作过程,为特征数据提取的准确性提供了保障;为降低单只微柱小管特征数据提取的难度,将单只微柱小管从微柱血型卡中分割出来,详细叙述了灰度积分投影方法的原理以及寻找单只微柱小管左右、上下分割点的操作方法的过程。(2)从图像中提取对模式识别贡献大的数据集以及信息,得到图像的数据集描述或者表述。以微柱血型卡作为研究对象,从多方面对其特征表述进行分析与比较,解决选取数据集之间相互独立的的最具有区分力的特征向量的相关问题。本章从微柱血型卡图像纹理,形状描述,灰度积分投影曲线趋势描述以及投影曲线峰值点样本描述等方面对单只微柱小管凝集反应区域的凝集强度做分析研究。(3)针对2+类型样本数目较少的缺陷,结合支持向量机分类器在处理小样本、非线性,高维度的模式分类中的优势,选择支持向量机分类其对样本数据进行训练测试,通过机器学习,验证特征向量的识别率。并且详细介绍了本实验过程中关于数据归一化以及参数优化的方法。详细说明了微柱血型卡红细胞凝集强度识别的试验过程。对不同核函数对同一种特征向量进行机器学习,结果进行对比;对相同核函数对不同的特征向量进行机器学习,结果进行对比,从而选出最优的特征向量、核函数以及最优参数。