肿瘤细胞图像作为一种常用的医学图像和自然图像,具有细胞结构复杂、图像冗余度高和图像高阶统计特性服从非高斯分布的特点。不少研究学者通过提取图像的几何特征来实现肿瘤细胞图像的分类,但并未取得较好的分类效果。为此,本文从统计学角度出发,提出了一种基于非负稀疏编码和神经网络的肿瘤细胞图像分类模型。该模型利用非负稀疏编码(NNSC)和自组织特征映射(SOFM)神经网络的原理,能够自适应的提取肿瘤细胞图像中的本质特征,最终较好地实现肿瘤细胞图像的分类。其基本思想如下所述:　　首先,通过模仿大脑初级视皮层神经细胞对外界环境的稀疏响应机制,构建了一层基于非负稀疏编码的肿瘤细胞图像特征提取神经网络。该层网络为无监督和自适应的前馈式神经网络,通过对大量未标记的训练样本进行学习,能够得到优于传统编码方法提取的图像特征基。实验结果表明本文方法提取的特征基具有良好的方向性,空间局部性和带通性。该层网络在接收样本图像输入的同时,计算得到具有有效判别性和高稀疏性的NNSC系数(即特征图像)。　　其次,由于特征图像作为一种纹理图像,像素之间存在的统计相关性使得其维数仍然较高。因此,为了消除这种统计相关性和降低特征图像的维数,本文利用了L-矩的方法计算得到特征图像子块的高阶统计特征(方差、偏度和峭度),并将其作为下一步分类神经网络的特征输入。　　然后,构建了基于NNSC和SOFM神经网络的肿瘤细胞图像分类器模型。该模型是在成功获取 NNSC系数的高阶统计特征的基础上,通过利用 SOFM神经网络的学习算法,对计算得到的高阶统计特征进行训练,能够完成将细胞图像准确分为正常、癌变和增生三类的功能。经过一系列的对比实验证明,本文提出的方法无论从分类准确度还是运行时间上,都比其它方法有所提高。　　最后,将本文构建的基于非负稀疏编码和SOFM神经网络肿瘤细胞图像分类模型应用于肿瘤细胞图像辅助诊断系统当中,并取得了较好的识别效果。