模式识别是根据人脑的识别机理,利用计算机对各种事物及其变化的过程进行判别和分类的过程。医学图像模式识别是模式识别的重要分支。随着大量新型的医疗设备应用于临床,医学图像的种类越来越多,仅靠人为诊断无疑会给医生带来繁重的工作,因此,研究医学图像的识别技术势在必行。由于医学图像具有不同于其他图像的特征,如纹理较多,分辨率较低,相关性较大,并且要严格保证诊断的可靠性。因此,需要针对各种医学图像的特点对已有的算法进行改进和优化,使其更适合医学图像的处理。本文针对医学图像的模式识别工作进行了深入的研究,对传统模式识别技术的不足进行了优化,实现了睑板腺形态识别及乳腺肿瘤的识别。具体的研究内容有以下几个方面:(1)研究了几种传统的图像模式识别算法,对算法的性能进行分析,选出更适合医学图像处理和识别的方法。(2)研究了结合改进FCM和粗糙集理论的识别方法。本文方法结合了FCM和粗糙集的优点,能在保证分类能力的前提下约简掉冗余属性,提取最具代表性的规则;同时使用FCM对属性进行模糊化而非离散化,有效避免信息损失,使得到的规则更加准确。此外,在FCM算法的基础上提出基于距离的初始聚类中心选择方法,并对孤立点单独处理,克服了传统FCM算法的缺陷。将改进后的算法用于睑板腺形态识别,这种方法在降低计算量的同时保证了分类精度,使系统性能大大提高。(3)研究了自适应遗传算法优化的支持向量机识别方法。支持向量机用于模式识别有很多优点,但参数选择问题一直是影响其速度和效率的制约因素。本文用自适应遗传算法对支持向量机参数进行优化,避免了对所有参数的遍历,大大减少计算量,使寻优速度更快,同时提高分类精度。将本文方法用于乳腺肿瘤识别,对乳腺图像经过预处理后提取肿瘤形状特征,把特征向量输入训练好的支持向量机,识别效果理想,证明了其实用价值。(4)基于上述算法的应用,本文在MATLAB的GUI平台上设计了医学图像识别系统。对睑板腺形态识别子系统和乳腺肿瘤子系统分别进行了界面设计和程序设计,实现了人机交互。