脑部疾病的诊疗一直是医学界研究的重点。医学图像包含了丰富的信息，是医疗诊断中一个非常重要的手段。多分辨率分析在时域和频域中联合表示信号，可以对信号进行多尺度多方向分解，近年来在图像处理领域得到了广泛的应用。在特征提取的基础上对图像进行分类识别是计算机辅助诊断的研究重点。常用的分类方法中支持向量机因其适用于小样本学习且兼顾训练误差和泛化能力在众多分类方法中脱颖而出。本文在多分辨率分析下提取图像的纹理特征并利用支持向量机对图像进行分类识别，找出最能表征图像纹理的特征向量并将其应用于医学脑MR图像的特征提取和识别中。主要工作有：1.深入研究了多分辨率分析下小波变换，双树复小波变换，非下采样Contourlet变换和梳状波变换的原理及其变换系数特征。分别在以上四种变换下对图像进行纹理特征提取，找出理论上最能表征图像纹理特征的特征向量。提取的特征向量分别为：小波变换、非下采样Contourlet变换的低频分解系数的灰度共生矩阵特征、均值和方差，高频系数的均值、方差和能量；双树复小波变换的低频系数灰度共生矩阵特征、均值和方差及高频系数模的均值、方差和能量；梳状波变换的高频相角矩阵各子块的均值、方差和高频模的能量特征。2.将四种变换下提取的特征向量分别输入支持向量机中进行分类识别，实验结果表明，灰度共生矩阵特征并不能有效表征图像纹理特征，因而将其舍弃。小波变换的低频和高频系数特征对于表征图像纹理特征效果也不理想。最终采用的特征向量为：双树复小波变换的低频均值、方差和高频系数模的均值、方差；NSCT变换的低频均值、方差和高频能量组成的特征向量；梳状波变换的高频相角均值、方差和高频模能量组成的特征向量。3.对医学图像库中的400幅脑MR图像提取以上三种变换下的特征向量并输入支持向量机中进行分类识别。实验结果表明，除双树复小波低频均值、方差和高频能量组成的特征向量组病变图像识别率只有83%之外，其他特征向量组识别率均在90%以上，具有良好的识别效果，能够有效区分正常和病变脑MR图像。