随着图像识别技术的不断发展，越来越多的图像处理的方法在医学研究以及临床的实践中得到了广泛的应用，图像识别技术在医学图像上越来被人们重视。本文针对目前广泛使用的胶体金蛋白试纸图像进行研究，通过图像处理的方法，对试纸图像特征进行提取，然后通过分类器来完成试纸信息识别的方法，核心部分包括了试纸图像的定位分割以及试纸图像信息的识别两个部分。通过计算机完成试纸图像的快速准确分类，从而解决人眼判定的低效率以及目前相关识别仪器的不足。
　　本文对目前常用的定位算法进行研究和比较，提出适合试纸图像的预处理的算法，比如，图像的缩放、图像的灰度化、图像的二值化、图像的边缘检测等。针对试纸图像的特点，提出试纸图像的倾斜校正方法，通过边缘检测的方法结合Hough变换可以较好的实现试纸图像的倾斜校正。提出结合边缘检测的试纸边界定位算法，实现试纸反应区所在区域的定位，并通过像素点累加法和投影法实现对试纸显色区域的分割，进一步从试纸图像中提取出试纸的显色区，将其作为待识别的样本图像。通过试纸图像的灰度直方图、梯度直方图、图像相关性、惯性和逆差矩等作为试纸条的纹理特征，同时在HSV颜色空间中将图像的色调、饱和度、明度作为试纸图像的颜色特征，得到21维特征向量作为分类器的输入。
　　提取完样本的特征向量后，选择训练集样本对SVM和BP神经网络构成的分类器进行训练，得到不同的分类器模型，实现四种类型的试纸样本分类。为了达到SVM的最优分类结果，本文通过网格参数查找法，找到模型对应的最佳参数，并通过不同数量的样本对不同核函数进行分析，确定SVM核函数的选型；在BP神经网络中，针对不同的隐含层不能准确选择的问题，通过对相同的测试集用不同的隐含层进行实验，找到对应的最佳的隐含层层数。
　　最终实验结果表明，两种分类器对四类测试样本的平均分类准确率都在90%左右，两种分类方法对于试纸图像都实现较好的分类结果，说明本文提出的基于图像处理的试纸识别方法，可以较好的完成试纸图像的识别分类，并且对于特点相同，不同类型的试纸都可以完成检测的需求，在实际应用中有较好的实用价值和发展前景。