随着生活水平的提高和生活物质的极大丰富,肠道癌症逐渐成为医疗健康的热点关注病症。肠道癌早期没有明显的症状,主要通过检测人体肠道内息肉状态来判断,然而人体肠道内环境复杂,这给识别肠道息肉带来了很大的困难。解决息肉识别问题的方法是运用机器学习方法来判断息肉。迄今为止,人体其他器官系统,如脑部、胃部和肝脏部分普遍应用机器学习方法来识别肿瘤,但在肠道息肉领域还未被广泛研究。因而,利用机器学习的方法来进行高效的肠道息肉识别对潜在病人和阅读图片的医生都具有重大意义。针对上述问题,本课题对肠道息肉的识别算法进行了研究。数据为公开下载的CT(Computed Tomography)肠道图像数据集,主要包括非息肉图像和不同大小息肉的图像。目前使用机器学习对病症分类的研究中使用的自定义特征集可能是冗余的,或者不完整的。通过使用深度卷积神经网络,通过将图像划分为patch数据集,获取了局部细节特征,经过实验验证,与现有的常用深度卷积神经网络模型相比,利用图像patch数据集获得的肠道息肉局部特征集能够获得更好的分类效果。同时提出改进的基于全局特征的肠道CT图像分类模型,为获得的全局特征集加入权重,从而降低特征集的冗余度,并将混沌优化算法加入分类器中,以获得更好的分类效果。最后,将基于局部特征和基于全局特征的网络模型进行集成,设计了一种基于混合特征的肠道息肉自动分类模型。实验结果表明,基于低冗余度的混合特征模型更能描述肠道CT图像的息肉特征,更无误地判断图像属性,提升分类效果。