近年来,肝癌在我国的发病率已超过25/1000000,CT影像诊断是临床检测肝癌的有效手段之一。目前,影像诊断过程基本上是医生通过肉眼观察图像并结合医学知识和经验进行疾病诊断,因此缺乏定量的分析和存在一定的主观性。而且医学图像的数据量较大,医生要在规定的时间内完成阅片,工作量非常繁重。因此,医学界对能够对医学图像进行定量分析进而能够主动给出参考意见的计算机辅助诊断(CAD)技术提出了迫切需求,基于CT图像的肝癌CAD是当今国际上CAD研究的热点问题和难点问题之一,肝癌CAD技术的研究对减少漏诊和误诊、提高肝癌的临床诊断率具有重要的研究意义和应用价值。目前,有效确诊肝癌的方法是穿刺检查,但该方法会给患者带来较大的损伤。随着计算机、医学图像处理技术和模式识别技术的发展,可以对CT图像所蕴含的统计特征、纹理特征和混沌特征等进行定量的分析,并利用模式识别方法进行肝癌的有效识别。本文基于特征提取技术从CT图像中提取统计特征、纹理特征和混沌特征,并基于BPNN(反向传播神经网络)进行肝癌的识别,为医生诊断肝癌提供必要的辅助手段。其中,统计特征包括关心区域(ROI)与肝脏的平均灰度比(对比度)和近似熵,纹理特征包括能量、熵、惯性矩和局部平稳性,混沌特征包括分形维和Kc复杂度。利用上述方法和实际的腹部CT图像开展了大量的实验,基于纹理特征的肝癌的识别率为70%,基于统计特征的肝癌的识别率为77%,基于混沌特征的肝癌的识别率为80%,说明混沌特征能较好的表述腹部CT图像的混乱程度,对患者肝脏组织的细微改变有很敏锐的反应,可以作为肝癌辅助诊断的一个重要指标。而基于统计特征和混沌特征的混合特征的肝癌的识别率为83%,表明统计特征和混沌特征对肝癌有较好的表现能力,BPNN(反向传播神经网络)方法在解决肝癌图像识别方面具有较好的性能。结合医师的临床经验,可以提高肝部良、恶性肿瘤诊断的准确性。