医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有很多种分割方法，既有经典的方法也有结合新兴理论的分割方法。肿瘤的自动识别在计算机辅助诊断中，尤其是缺少专家的情况下具有十分重要的意义。而在肿瘤判断识别过程中，肿瘤图像的分割是一个非常重要的坏节，分割结果的好坏直接关系到后续识别的效果。由于肿瘤图像的多样性和复杂性，目前还没有一种完全通用的分割方法可以实现对所有肿瘤图像的正确分割。对于批量的资料，机器处理尤为重要。对嗜铬细胞瘤图像分割问题进行研究。论文的主要工作在以下几个方面：　　 第一：论文在研究传统预处理技术及分割算法的基础上，分析它们的优点和不足，并引入支持向量机对图像进行分割，并比较了分割效果。传统的机器学习方法是以经验风险最小化(ERM)为原则，在学习过程中无法控制模型的复杂性，容易出现欠学习和过学习的情况，从而降低学习机器的推广能力。特别是在有限样本的情况下更是如此。然而在医学图像分割中，训练样本通常是有限的，所以传统模式分类方法通常难以取得很好的结果。　　 第二：本文借助支持向量机(SVM)方法在小样本、非线性及高维特征空间中具有良好的分类性能，针对医学图像分割的特点，以支持向量机方法为基础进行了肿瘤图像分割方法的研究。　　 第三：通过支持向量机对肿瘤图像的分类识别，很好的辨识出肿瘤细胞的位置，为肿瘤细胞的切除手术提供很重要的参考依据，有着非常重要的理论与现实意义。