目的：高血压和腔隙性脑梗死是人体常见的两种慢性病症，实现高血压和腔隙性脑梗死的辅助检测具有重要的意义。高血压是心血管疾病最主要的危险诱因，其常易诱发脑动脉硬化，致使脑部出现缺血灶（Focal Cerebral Ischemia,FCI）进而诱发腔隙性脑梗死，产生腔隙性脑梗死灶（Lacunar Infarct,LACI），严重威胁人类生命健康。本文为辅助高血压和腔隙性脑梗死的临床自动诊断开展了两方面研究工作，一是基于脉搏信号的高血压监测和识别算法研究，二是基于MRI的脑部FCI和LACI相关的小病灶区语义分割算法研究。现有的高血压及腔隙性脑梗死的临床诊断主要存在以下问题。首先，脉搏波作为人体重要的生理参数，具有连续性和易获得性的特点，可以预示人体心跳和脉搏节律，并能有效检测出高血压、冠心病等心系疾病，基于脉搏波的高血压诊断和监测设备具有巨大的临床应用潜力。然而，脉搏波短而连续的特点致使其特征提取和分类识别十分困难，现有的此类设备存在检测连续性不足、识别准确率不高、智能化程度较低等问题。其次，腔隙性脑梗死作为高血压常见的并发症，发病时常出现局灶性神经功能障碍，MR检查可以发现相应的FCI和LACI。但在颅脑MRI中，FCI和LACI的病变面积小且影像特征极度相似，脑部FCI和LACI相关的小病灶异常信号精确区分十分困难。诊断医师在区分大量此类病灶时，易出现误诊、漏诊现象。因此，为进一步提高基于脉搏信号的高血压识别和监测的精度，提高基于MRI的脑部FCI和LACI的临床检出率，本文提出了一种基于脉搏信号的HHT-ELM分析识别算法框架实现高血压的精准识别和连续监测，和一种多模态分割纠正算法框架分割和识别脑MRI中的FCI和LACI。
　　方法及结果：本文针对基于脉搏波监测高血压的特征提取和分类识别困难的问题，提出了一种模块化的分析识别算法框架，实现脉搏信号的血压特征提取和精确识别；针对脑部小病灶相关的异常信号分割和识别困难的问题，提出了一种多模态分割纠正算法框架，实现脑部FCI和LACI的分割和识别。
　　（1）本文设计了一种模块化的算法框架—HHT-ELM分析识别算法框架用于高血压脉搏信号特异性特征提取与分类识别。该算法采用希尔伯特-黄变换算法分解并提取脉搏信号中血压相关的特异性特征。然后，采用极限学习机对提取出的特征进行分类，自动识别出高血压脉搏信号。其创新之处在于通过脉搏波持续监测血压信息并智能检测高血压病症，克服了脉搏信号研究中高血压特征提取困难和临床中基于脉搏信号连续、准确监测患者血压困难的问题，为临床诊断高血压和便携式高血压监测设备提供了一种新的脉搏信号智能处理与分析方法。为检测HHT-ELM算法精度，本文将其同5组不同算法框架（WT-ada-boost,WT-SVM,WT-ELM,HHT-ada-boost,HHT-SVM）进行对比，所提出的HHT-ELM分析识别算法框架优于其他算法框架，诊断准确率高达93.67%。
　　（2）本文提出了一种多模态分割纠正算法框架用于精确分割和识别人体颅脑FCI和LACI。该算法框架由一个主网络和一个二级网络组成，主网络侧重于分割MRI上两种小病灶相关的局灶性异常信号，得到初始分割结果。二级网络负责接收由主网络分割出的病灶感兴趣区域，并为其输出分类标量以识别病变类型。最后，二级网络的结果用于纠正主网络的初始分割结果，实现准确的分割、识别两类脑部小病灶的目的。该算法框架首次实现脑部FCI和LACI的智能辅助识别与检测，有效运用了多模态MRI数据，将临床中的先验知识嵌入到算法框架中，还原放射科医师诊断过程，实现了对两个不同的脑部小病灶的语义分割。所提出的分割纠正算法框架在113例临床患者的实验研究中证明了其有效性，检测准确率达91.76%，分类准确率达92.89%。
　　结论：本文分别设计和提出了基于脉搏信号的高血压监测与智能识别算法和基于MRI的脑部FCI和LACI相关的小病灶区语义分割算法。基于脉搏信号的HHT-ELM分析识别算法框架对于高血压脉搏信号的研究具有重要促进作用，可为临床中患者血压的实时监测、高血压诊断以及便携式血压检测设备提供一种新的脉搏信号智能处理与分析方法；多模态分割纠正算法模型在大脑小病灶的临床诊断和分割研究中具有重要应用价值，不仅可帮助减少放射科诊断医师的工作量，提高工作效率，同时，可辅助医生判断患者脑部小病灶疾病病程，降低脑梗率。