传统的医学图像一般都是彩色图像,虽然可以得到病变处的影像,但是所能反应的信息过于单一。另外,利用传统医学图像进行病理分析、分类诊断时,很大程度上取决于医师的个人判断和经验,具有很强的主观性。所以,在医学图像诊断上,亟需一种辅助医师进行分类与识别的方法。而高光谱图像除了能反映图像本身的空间信息之外,还提供了整幅图像的光谱信息,相比于传统的医学图像,它可以为医疗工作提供更加丰富的信息,有助于病理分析。因此,本文将显微高光谱成像技术与医学图像分类识别技术相结合,对血细胞的分类识别方法和甲状腺瘤、胆管癌样本癌症区域的识别与分割方法进行了研究。1)搭建显微高光谱图像采集设备,采集了甲状腺瘤样本的显微高光谱图像数据,对数据预处理后结合ENVI软件完成了对样本数据的标注工作。为了准确的识别两类样本中的不同组织区域,本文开展了基于光谱信息的医学图像分类识别方法的研究。本文选取甲状腺瘤和血液为研究对象,采用光谱角匹配算法(Spectral Angle Mapping,SAM)、K近邻算法(K-nearest neighbor algSPR immunosensororithm,KNN)和支持向量机(Support Vector Machines,SVM)三种不同的分类方法,实现了对甲状腺瘤和血液样本的分类与识别。在甲CL13900生产商状腺瘤的分类识别实验中,总体分类准确率均在85%以上;在血液样本的实验中,总体分类准确率则均能达到98%以上。2)传统的高光谱图像分类方法仅考虑了高光谱图像的光谱特征,而忽略了空间特征,降低了信息利用率,损失了一部分分类精度。针对上述问题,本文提出了一种显微高光谱图像的空间信息和光谱信息联合的方法。首先,提取图像的Gabor特征,LBP特征和一些统计特征,记作空间特征向量F_1,与光谱特征向量F_2联合组成一维空谱联合特征向量F。其次,采用三种时序编码方式将空谱联合向量F编码成为二维的特征图。另外,设计了结合卷积神经网络和支持向量机的分类模型,其中,卷积神经网络(Convolutional Neural NetwBAY 73-4506分子量ork,CNN)用来提取空谱信息特征,支持向量机SVM来实现分类。最后,本文以胆管癌样本为研究对象,对算法的性能进行了验证。实验结果表明:本文提出的三种空谱联合分类算法对于胆管癌分类识别的精度都超过了85%。