随着计算机技术的不断发展，模式识别在医学图像处理方面的应用得到了进一步的发展。某种意义上，医学图像模式识别已发展成为人与机器、自然科学和社会科学、基础理论与技术应用之间的接口领域。在医学图像模式识别过程中，医学图像特征提取的好坏将影响图像识别和分类的效果，进而对临床诊断技术产生一定的影响。因此，如何更有效地提取医学图像的特征向量对于医学图像模式识别具有很重要的意义。本课题主要针对时域特征、频域特征描述医学图像，进而利用支持向量机分析各类特征的识别效果。　　基于灰度特征和纹理特征的时域特征主要在同一尺度下描述了医学图像灰度的统计特性以及灰度的空间分布规律，但是缺乏医学图像在更精细尺度的特征信息；基于非下采样Contourlet变换和小波变换的频域特征则在不同尺度下描述了图像变换系数的统计特性，其高频分量能够描述医学图像更多的边缘特征信息。　　本课题分别采用时域特征提取方法和频域特征提取方法提取医学图像的特征向量，并利用支持向量机分析其识别效果；然后因时域特征、频域特征各有其优缺点，故结合时频域特征描述医学图像，并利用支持向量机分析其识别效果。　　由实验结果可知：在时域特征提取方法中，因灰度特征缺乏灰度的空间关系，灰度共生矩阵则反映了图像灰度关于方向、相邻间隔变化幅度的综合特征信息，故结合灰度特征和纹理特征能够更好地描述医学图像；在频域特征提取方法中，因非下采样的Contourlet变换能够在不同尺度下将图像分解到很多方向，得到更多的边缘信息，故相比小波变换，非下采样Contourlet变换能够更好地描述医学图像；而结合时频域特征，既包含了各自的优点又弥补了其缺点，使得结合后特征向量能够更有效地描述医学图像。