肝细胞癌的发病隐匿、进展快、死亡率高、预后较差,其早期诊断和治疗能够有效地改善患者的预后效果和生存水平。病理图像是诊断肝细胞癌的金标准,计算机辅助诊断(Computer Aided Diagnosis,CAD)能够发现肝细胞癌的微小变化,提高病理诊断的准确率,对提高肝细胞癌病理的临床诊断水平具有重要的研究意义和应用价值。本文首先分析了肝细胞癌CAD方面的研究现状和医学图像识别技术,重点研究了特征选择和分类器设计方法;然后对肝病理图像进行了预处理和多类特征提取,提出了最大最小序列后向选择(MMBS)搜索策略的混合特征选择方法,建立了基于投票优化的随机森林(VORF)分类器模型;最后将本文提出的分类方法应用于肝细胞癌病理图像识别系统的开发。为了验证算法的有效性,本文做了详细的实验。在验证特征选择方法有效性的实验中,分别进行了不同搜索策略和不同特征选择方法的对比实验,实验结果证明MMBS搜索策略的优越性以及基于MMBS搜索策略的混合特征选择方法的有效性;在验证分类器设计有效性的实验中,进行了 VORF分类器中参数的优化实验和算法性能的对比实验,并将VORF算法与k-近邻、反向传播神经网络(BPNN)、SVM、改进的果蝇优化支持向量机(IFOA-SVM)和随机森林方法等分类方法进行了对比实验,实验结果表明,本文提出的分类方法能够获得更高的分类准确率和敏感性,降低漏诊率,能够保证分类所需的时间满足医生的需求。为了验证所开发系统的实用性和有效性,在开发完成后也进行了大量的测试。对肝细胞癌病理图像分类部分的各个操作步骤的顺序、缺失等情况进行了测试,并针对问题完善了系统。进行了大量图像的识别,测试结果显示:本文方法识别肝细胞癌的准确率和识别速度较高。