随着社会的发展和经济水平的提高,人们的医疗保健意识逐渐增强,对医疗服务的需求日益增长。疾病预测是医疗诊断的核心问题之一,而医学图像是疾病预测的重要依据。随着医学成像技术的发展,以决策理论为基础,机器学习方法为手段的计算机辅助诊断已经成为疾病预测的有效工具。医学图像具有高阶高维的多线性结构,同时有含噪音和特征易缺失等特点。相较于传统基于向量的数据分析方法,张量学习方法保留了数据的原始结构,具有更好的表示能力和计算特性,在面对医学图像数据时有天然的优势。本文主要做了如下几点工作:(1)提出了张量低秩子空间字典学习算法。针对存在噪音、缺失和离群值的数据,我们联合使用低秩表示与稀疏表示,同时考虑样本的结构和特征信息,提高了算法对异常样本的鲁棒性,具有更好的表示能力和分类性能。(2)提出了半监督支持张量机学习算法。我们改进了经典支持张量机的计算方法,并引入了直推式的思想解决半监督分类问题,在提高模型分类性能的同时,降低了训练时间复杂度。(3)将我们的算法应用于医学图像分类,研究算法在疾病预测领域的应用前景。