近年来,相控高强度聚焦超声(HIFU——High Intensity Focused Ultrasound)技术已经成为治疗超声和肿瘤热疗的研究热点。相控HIFU技术利用了超声波特有的深穿透能力、强方向性和可聚焦性,通过控制换能器阵元激励信号源的相位,对超声声束施以聚焦,实现超声能量在人体深部组织的高强度汇聚,在短时间内造成病变组织的急性热损伤而不伤及周围的正常组织,因此成为最小损伤治疗肿瘤的一种有效方法。相控HIFU靶点小、强度高,为了避免损伤正常组织和提高治疗效率,必须提供治疗目标的精确位置。由于相控HIFU治疗的非侵入性,位置信息的获取就依赖于其图像引导系统,这是HIFU手术成败的关键。本文针对当前相控HIFU图像引导系统中存在着耗时较长、鲁棒性与精度不高等问题,研究了支持向量机(Support Vector Machines,SVM)算法,并将其应用于该系统中,从而有效地利用已有的先验知识,达到缩短图像引导时间,提高其鲁棒性与精度的目的。SVM建立在统计学习理论的基础之上,遵循结构风险最小化原则(Structural Risk Minimization , SRM ),而不是传统的经验风险最小化原则( Empirical Risk Minimization,ERM)。由于其完备的理论基础、良好的推广性与解的稀疏性,因此与传统的学习机器相比,SVM可以更为有效地利用先验知识。采用合适的SVM算法,可以实现提高相控HIFU图像系统性能的目的。本文首先对SVM理论基础――统计学习理论作了系统阐述并分析了用于解决模式识别问题与回归估计问题的SVM。在此基础上,重点研究了基于SVM的密度估计问题,提出了一种基于单一核函数的线性SVM密度估计算法以及一种基于多核SVM的密度估计算法,并比较了它们的优缺点。在实际应用中,可以根据需要的不同选择不同的算法形式;不仅用SVM来估计一维密度,而且将其推广到多维密度估计中。在我们所研究的相控HIFU图像引导系统中,主要包括图像分割与图像配准两部分内容。在术前制定手术治疗计划时,通过分割CT或MRI图像,获取病灶的位置信息,并制定相控HIFU焦点的合理治疗路径。在手术中,通过图像配准技术将手术前的图像与手术中的实时图像融合在一起,从而把手术前的治疗计划,目标轮廓和治疗路径都映射到治疗坐标系中,实现精确治疗。因此,本文分别研究了基于SVM的医学图像分割与配准方法。首先提出了两种基于SVM的图像分割方法。这两种方法都是将先验知识引入水平集分割过程中,从而指导曲线进行演变。一种方法是通过对训练样本的学习,利用SVM密度估计方法建立形状先验模型,将其作为水平集函数更新内容的一部分,添加到高维曲面的演化过程中。其中的物体形状描述方法采用的是水平集函数方法;另一种方法是利用SVM密度估计方法建立水平集函数与图像灰度之间的统计关系,将其作为水平集函数的更新标准,实现高维曲面的演变。这两种方法都被用于MRI、CT以及超声等多种模态下的医学图像序列分割中去,实验结果令人满意。同时,本文也提出了一种基于SVM的多模态医学图像配准方法。以两种模态下已配准好的一对图像为学习样本,利用SVM密度估计方法建立它们的先验联合灰度分布模型,作为配准测度。当待配准的两幅图像达到最佳配准时,它们的联合灰度分布应与该先验模型最相似。因此配准就转变为以该先验模型为目标的一个多参数寻优问题。该配准方法被应用于头部的CT、MRI和PET等多种模态之间的配准,结果表明该方法可以充分利用先验知识,高效、准确地实现配准。