每年全球有700多万人死于癌症，一些常见的癌症，例如肺癌，宫颈癌等可以通过细胞学检查进行诊断。因此细胞核图像分类在临床医学检验中有着重大意义。只有将细胞核图像正确分类，才能对细胞核显微图像进行病理分析，如计算细胞核的DNA指数，判断细胞是否癌变或者有其他病变。细胞核图像分类的过程主要有细胞核分割，特征计算，分类这三大步骤。　　在细胞核图像分割中，本文使用了基于椭圆分割的ESnake算法，在使用该算法的过程中，发现该方法虽然分割效果良好，但也会出现分割失败的情况。分析了分割失败的例子后，结合了大津法分割算法，得到了更好的分割效果，并有效的提升了分类的准确率。　　在特征的计算中，考虑到特征的区分度和计算的时间复杂度，我们总共精心选取了21个特征，这些特征主要是几何特征和光密度特征。这些特征的计算速度较快，而且有更好的区分度。本文给出了这些特征在分类中的重要性排序，可以根据需要进行筛选，进一步降低计算的时间复杂度。　　在分类算法中，本文使用了批量算法——随机森林和支持向量机。通过实验结果分析，证明其分类准确率都比较高，完全可以投入到临床使用。但是目前该领域的研究中使用的都是批量分类算法，本文使用了在线支持分类器LASVM，用以满足训练数据动态增长的情况。该算法在训练时间方面具有极大的提升。同时本文进一步对该算法进行了改进，进一步提高了分类的准确率。