无线胶囊内窥镜(WCE)是一种具有重要临床价值的革命性技术,以其直观、简便、安全、无创、无痛、消化道全覆盖等特性成为肠胃道特别是小肠病变检测最具吸引力的医疗手段。但是WCE产生的巨大数量的图像数据给医生们检查、定位和诊断病变图像带来了沉重的负担。因此,本文对WCE影像的研究主要集中在WCE影像自动分段和病变图像自动检测两个方面。本文提出一种有效的方法帮助临床医生根据胃、小肠和大肠区域自动对WCE影像进行分段。因为在WCE视频帧中有许多可能的干扰因子,如气泡、食物残渣等,为了提取有效的特征,本文提出色彩显著性区域检测方法(CSD)来分割图像帧中潜在的有效区域(VROF)。为了提高器官边界定位的性能,我们设计出监视-判别模型。并且设计了两种描述WCE图像的新特征:一种是基于视觉感知的色彩-纹理融合特征(CTVP),由HS直方图和灰度共生矩阵(GLCM)特征构建而成;另一种是局部二值模式的色彩模型化特征(CCLBP),其中包括两种模式:灰度模式和色彩角模式。此外,还利用支持向量机(SVM)分类器来定位精确的器官边界。从来自中国、中东和欧洲的大量真实WCE影像中得到的实验结果表明,该方法提高了器官边界定位的准确性和效率。在WCE影像分段技术的基础上,两种策略被设计出来自动检测小肠的隆起性病变,即基于局部特征的词袋方法(BOLF)和基于迁移学习的深度卷积神经网络(CNN)。一方面,我们提出了一种改进的BOLF方法,用于检测WCE图像中的隆起性病变图像。相较于传统的BOF方法,我们提取了不同的纹理特征(如CCLBP),而不是利用尺度不变的特征变换(SIFT)这种局部特征描述子。具体来说,我们研究了不同关键点计算方法,不同的局部纹理特征,斑块大小和不同的视觉词汇数量对分类性能的影响。另一方面,我们也考虑使用深度卷积神经网络(CNN),通过迁移学习来检测小肠的隆起性病灶图像。基于CNN的方法需要大量的数据来进行复杂的端到端分类过程。然而事实上,我们很难收集许多病变图像。为了克服这一问题,可以将预先训练的CNN通过明确优化后应用到这个领域。这样一个预先训练过的CNN主要是用于普遍的图像分类任务,在那里有足够的训练数据。我们从实验上显示,在使用当前的CNN优秀架构(InceptionV3)时,微调后的CNN特征相较于传统的人工设计的特征在检测隆起性病变图像上获得更好的性能。