具备微型摄像机和视频信号发射机功能的无线胶囊内窥镜(Wireless Capsule Endoscopy)是一种新型的胃肠道疾病内镜诊断系统。自从2000年前后投入临床使用以来,它可获取病人整个小肠的影像资料,并且不给病人带来任何痛苦。但是胶囊内窥镜产生的图片有6到8万张,仅靠医生裸眼观察的传统诊断方法耗时费力,因此,开发出一套计算机辅助诊断系统以减轻医生的负担是非常必要的。本文的主要工作是研究出一套自动诊断算法,力求从患者的海量内镜图片中自动筛选出异常图片。主要思路是对每张图片提取颜色和纹理特征,然后用机器学习的方法进行学习,分类。本文完成的主要工作如下：第一,基于二分光反射模型理论的quasi-invariant是将图像的一阶导数投影到色调的方向上得到的能反映物体本身边缘信息的颜色偏导,去掉了由阴影和高光的变化引起的边缘信息,但它依赖于物理参数,将quasi-invariant用一个依赖于信号的标量归一化后得到的full invariant更适合于特征提取。本文采用基于full invariant的特征作为胶囊内镜图像的特征,排除了高光和阴影对小肠图像中病变识别的影响。与此同时,本文还采用了颜色矩和颜色直方图等颜色特征,Contourlet变换和局部二值模式等纹理特征作为胶囊内镜图像的特征,并用三种分类器进行分类。经过实验和比较,分析了各种特征提取方法的特性。第二,将多示例学习引入病变诊断中。将图像分块,分别对每个块提取特征。一个图像子块的特征就是一个示例,一张图片的所有子块特征组成的特征集就是一个包。在机器学习时,只对包标记,不对示例标记,经过多示例学习以后,不仅能识别出异常的图像,还能识别出异常的图像子块。本文用颜色矩、颜色直方图和局部二值模式作为图像子块特征,并三种多示例学习算法对图像的局部特征进行分类。经过实验,比较了各种局部特征提取算法和各种多示例学习算法的性能好坏。第三,为了降低漏诊,本文采用了级联的内镜图像分类方法。第一级识别出的正常图像中可能包含一部分异常图像。在第二级,对第一级识别出的正常图像进一步筛选,尽可能地把在第一级漏诊掉的异常图片筛选出来,从而降低漏诊率。实验结果表明,通过第二次分类以后,灵敏度明显提高,漏检下降。