随着医学影像技术的飞速发展，包括多排螺旋CT在内的先进检查设备得到广泛应用。医学影像资料在提高医生诊断准确率的同时，也带来很大的读片工作量。在此背景下，本文针对二维颅脑CT图像开展了计算机辅助诊断系统的研究，通过使用图像纹理分析技术从海量医学影像数据中提取能够反映病变情况的关键信息。 对于颅脑CT图像而言，组织区域表现出的灰度纹理信息具有重要的诊断价值。本文利用医学图像纹理分析技术提出了一种基于多分辨率几何不变矩(Multi-resolullion Geometric Moment Invariants，MRGMI)的颅脑CT图像纹理特征提取方法。该方法构造了不同尺度下的纹理特征结构，既能够在高分辨率下识别细节纹理模式，也可以在低分辨率下描述图像区域的整体纹理统计信息。实验表明，MRMGI具有较好的纹理模式区分能力。特别是经过PCA特征优化的MRGMI在颅脑CT图像分割中取得了良好的效果，能分割出较为完整的白质、灰质和脑脊液。 利用MRMGI在描述图像整体与细节纹理信息方面的优势，提出了一种基于非刚性配准的纹理统计图谱创建方法。将其应用于颅脑异常密度病变的自动化检出时，使用Mahalanobis距离度量待测样本图像的MRGMI特征向量与纹理统计图谱的差异，实现病变检出。实验中对几类典型病变均能正确定位并刻画出较完整的病变区域轮廓。 基于统计图谱的病变检出涉及医学图像处理的多项重要理论和技术，其中最为关键的是非刚性配准、纹理特征提取和统计模型的建立。将特征提取与非刚性配准结合，实现特征驱动的配准进而形成统一的基于特征的病变检出系统是下一步研究的方向。另一方面，本文的工作仅限于颅脑基底结层面二维CT图像的病变检出，相应的图谱也仅能反映正常人基底结层的统计信息。因此，三维医学图像统计图谱的创建和病变检出是更有价值和挑战的课题。 本论文的工作得到了国家自然科学基金项目(60771007)的资助。