当前,脑卒中成为继心脏病及癌症后第三大死亡原因,严重威胁了人类生命健康。临床表明,早诊断、早发现、早治疗可降低患者死亡率。近年来,随着计算机技术和医学影像技术的发展,计算机辅助诊断（CAD）成为医学诊断中的研究热点。CAD不仅减轻了医生的工作负担,还提高了脑卒中神经功能缺损程度的诊断效率。本文对脑卒中磁共振成像（MRI）病灶图像的CAD关键技术进行了研究,具体内容如下:1.针对卒中病灶对比度低、形态不规则以及边界模糊等因素导致分割准确率低的问题,提出一种基于模糊速度函数的活动轮廓模型脑卒中分割算法。首先通过灰度信息和局部熵的模糊聚类来求解模糊隶属度,然后引入到活动轮廓模型中构建区域项和边界项,最后求解能量泛函并完成病灶的分割。结果表明:该算法分割性能良好,阳性率（TPR）、阴性率（FPR）和相似度（SD）的值分别为0.937、0.031和0.909。2.针对传统方法只提取单张病灶图的单一特征,且特征选择后是否有效的问题,提出一种基于脑卒中的特征提取和最小绝对收缩与选择算子（LASSO）特征选择系统。首先提取临床信息特征和感兴趣体积（VOI）病灶的影像学特征,然后结合曼·惠特尼U检验和卡方检验筛选特征,最后采用LASSO方法对影像学特征选择。结果表明:从VOI病灶提取的影像学特征经曼·惠特尼U检验后,在5折交叉验证下LASSO选择出12个有效特征,它们的P值均小于0.05。3.针对脑卒中当前研究分类器单一、分类准确率差等问题,提出一种基于支持向量机（SVM）加权k近邻的脑卒中分类算法。首先对SVM训练得到权重向量,然后求解加权距离,再求出最靠近测试样本的k个样本,最后返回测试样本的分类值。结果表明:该算法分类效果良好,曲线下的面积（AUC）和准确率均为0.983。4.针对小样本下的脑卒中卷积神经网络（CNN）模型性能不佳导致分类准确率差等问题,提出一种基于迁移学习和CNN的脑卒中CAD系统。首先对微调迁移学习后的密集CNN训练模型,再提取弥散加权和T2加权序列的特征并组合,然后进行曼·惠特尼U检验的特征筛选,再进行LASSO特征选择并构建深度学习组学模型;其次筛选有统计学意义的临床信息特征并构建临床信息模型,最后结合组学值和临床信息特征构建联合模型,实现神经功能缺损程度的预测。结果表明:联合模型分类效果比组学模型和临床信息模型效果好,测试样本的AUC、准确率分别为0.871、0.930。本文的研究不仅为脑卒中MRI病灶图像的CAD关键技术提供思路,还为患者神经功能缺损程度的诊断提供参考依据,具有较强的实际临床意义。