近年来,人体寄生虫病一直危害着人类健康,而病原体检测是寄生虫病诊断最常用和最主要的方法。传统的寄生虫的检测工作主要是由专业人员进行人工操作完成的,不仅步骤繁琐而且效率不高。随着医学显微图像处理技术和模式识别技术的快速发展,研究人员提出了很多借助于计算机的寄生虫虫卵的自动识别方法,这对于提高医务人员的工作效率和抑制寄生虫病的研究工作有着重要的意义。虽然目前在寄生虫病病原体自动识别方面不少学者已经做了不少工作,然而在实际应用中的被检测图像存在较多杂质或背景复杂,这给图像分割和特征提取带来很大的影响,进而影响到最终识别结果的准确性。为此,本文结合前人对于寄生虫虫卵图像识别的科研成果,对相关内容进行了深入的分析,综合图像的灰度和色度分布特征,并结合MapReduce并行计算模型,提出了一种基于Hadoop的人体寄生虫虫卵识别算法,在提高系统识别正确率的同时,也加强了系统的实时性。主要工作如下:(1)实际应用中的寄生虫虫卵图像往往具有杂质较多、背景较复杂等特点,为此本文引入边缘空间分布直方图匹配机制进行寄生虫虫卵的边缘提取,并在此基础上进一步提取几何特征、灰度特征以及占空比等,采用支持向量机作为识别分类器,综合灰度图像和色度图像的相关特征,给出了一种基于SVM的人体寄生虫虫卵识别算法。(2)为了准确的检测出寄生虫图像中包含的虫卵信息,系统需要遍历所有虫卵边缘空间分布直方图类模板,进而使得系统性能随着类模板数目的增加而不断下降,为此,本文将基于SVM的寄生虫虫卵图像识别算法与MapReduce编程模型相结合,提出了一种基于Hadoop的人体寄生虫虫卵识别算法的并行化实现,有效的提高了系统识别效率。(3)在上述工作基础上,利用普通的PC机搭建Hadoop集群,设计和实现了基于Hadoop的人体寄生虫虫卵识别原型系统,并利用常见的10种人体寄生虫虫卵图像进行了实验分析,将分布式识别系统与单机识别系统识别效果进行了对比分析,实验结果显示,该系统有效的提高了虫卵图像的识别正确率和效率。