随着科学计算技术和计算机自动识别技术的不断进步，计算机辅助诊断越来越受人们关注，医学图像作为医疗诊断最主要的工具之一，已经逐渐成为人们研究的重点。通过对医学图像的特征提取和分类，辨别出图像中正常组织和病变组织，并对未知病例做出诊断预测。其中医学图像的特征提取是基础而又关键的步骤，一方面提取出的特征值中是否充分包含图像信息将直接影响到最终分类结果的准确率，另一方面它又关系到后续分类算法的设计和优化。　　本文的主要研究了CT图像的特征提取和分类两方面。首先对CT图像进行了正常和异常的标准进行了二分类。接着针对当前图像特征值提取方法多种多样而又低效率的情况，重点提出了复杂性度量的特征提取方法。在最后的分类器选择上也应用了更加精准而有效的支持向量机。论文的主要工作如下:　　(1)介绍了医学图像的研究目的和意义。全面叙述了当前国内外医学图像的研究现状和进展。对医学图像的预处理、基本的特征值和提取方法做了详细的介绍。在医学图像的分类技术中详细阐述了支持向量机(SVM)的理论。并在MATLAB环境下对医学图像进行灰度化、图像分割和滤波等操作。　　(2)医学图像的特征信息既体现在可视化的颜色、纹理等中，又蕴含在非可视化的复杂性特征中。针对生命体是一个巨大的非线性混沌系统，本文侧重利用提取图像中所蕴涵的非线性特征。首先利用空间填充曲线将二维的图像信号转化为一维的数字信号，并将这些一维符号串粗粒化为二值序列。接着是提取这些序列特征值，包括分形维数、格子复杂性和临界细粒化指数等。其中由于细粒化指数的不同，格子复杂性的大小也随之变化。通过对肝癌CT病例的分析给出了不同特征值的计算结果。　　(3)研究并提出了基于支持向量机的分类过程。在支持向量机的建模过程中将病例分为正常和异常两类。其中考虑到支持向量机的学习过程和参数优化问题，本文利用了交叉训练的结果，并利用了遗传算法等来优化分类器。最后对分类器的评价上，引入了受试者工作特性曲线。通过实验结果验证了算法的可行性，并在最后的CT图像分类上得到了较为理想的结果。