根据世界卫生组织报道,胰腺癌是一种高度恶性肿瘤,在我国癌症死亡中排名第六,五年生存率低于5%。近年来,其发病率逐年上升。胰腺癌早期诊断困难,其临床特点就是发展快、病程短、死亡率高,确诊后的平均生存时间一般只有六个月。因此早发现、早诊断、早治疗对于降低胰腺癌死亡率具有重要意义和临床价值。CT(计算机断层扫描)图像由于分辨率高,对人体损伤小,一直被认为是早期发现胰腺癌的一种高度敏感而有价值的诊断方法,并且能够准确、形象地反映胰腺癌的病理位置,因此受到医生的青睐,但是大量的CT图像会给医生增加很大的负担。随着数字图像处理、模式识别技术的不断发展,开发出一套客观的、可靠且无创的胰腺癌CT图像早期诊断方法,是目前生物医学上亟待解决的问题。本文在广泛参考国内外研究成果的基础上,建立了量子遗传算法优化支持向量机(QGA-SVM)的分类模型,提出了一种基于CT图像的胰腺癌检测方法。该方法分为训练学习阶段和检测实践阶段,包括感兴趣区域(ROI)选取、纹理特征提取、特征选择、分类器设计四个部分。即首先从腹部CT图像手动分割出感兴趣区域(整个胰腺区域)；其次提取纹理特征；为了去除冗余信息,采用类间距进行特征选择；最后用支持向量机建立分类模型。为了提高分类器的性能,本文利用量子遗传算法对SVM模型进行参数优化,建立了QGA-SVM分类模型。本文对115例病例随机选取训练数据集和测试数据集,通过多次随机实验,表明该算法对于胰腺癌检测是可行的。并与BP神经网络、传统SVM、遗传算法优化SVM(GA-SVM)进行对比实验,证明此次建立的QGA-SVM分类模型具有明显的优势,能够实现更高的分类准确率,为医生临床诊断提供有价值的参考意见。