通常，临床医师根据经验凭肉眼对肝脏B超图像进行观察和判断。受观察者疏忽、诊断水平的限制等因素的影响，并且超声图像的灰度级对比度较低，使得人的视觉分辨较为困难，容易产生视觉疲劳，从而造成漏诊或误诊。因此需要建立一种客观的方法，为医师诊断肝脏疾病提供必要的辅助手段。近年来，在针对肝脏B超图像的研究中，对肝脏B超图像的分类大多采用人工神经网络方法，且大多数采用单一特征进行分类，而单一特征对图像的描述比较片面，分类效果不好。针对这一问题，本文将多特征与支持向量机(Support Vector Machine, SVM)相结合的分类方法引入到对肝脏B超图像的分类中。该方法首先提取肝脏B超图像的基于统计矩的特征、基于灰度共生矩阵的特征、基于傅里叶变换的特征和基于小波变换的特征，然后对这四类单一特征进行组合以形成综合特征，最后利用SVM进行分类，确定适合于肝脏B超图像分类的核函数，以及最优的特征组合。为克服传统SVM由于参数选择不当导致识别率低的问题，本文提出一种粒子群优化算法(Particle Swarm Optimization, PSO)和SVM相结合的肝脏B超图像分类方法。该方法首先采用粒子群优化算法对SVM的参数进行优化，以得到最佳参数，然后在单一特征和多特征结合下运用基于粒子群优化算法的SVM(PSO-SVM)对3类肝脏B超图像进行分类，并将PSO-SVM与基于网格搜索法的SVM进行了对比。实验结果表明，PSO-SVM方法具有较高的分类精度，对肝脏B超图像的分类效果更好。实验说明，粒子群优化算法对支持向量机的参数的优化起到了很好的作用，其优化性能高于网格搜索法对支持向量机的优化性能。为衡量SVM分类器的性能，将基于SVM的方法与K均值聚类算法和BP神经网络算法进行分类效果的对比。结果表明，基于SVM的方法分类精度较高，对肝脏B超图像分类效果更好。