医疗成像设备的发展和普及,大大促进了医学图像处理研究。作为医学图像处理的重要方法,机器学习技术扮演着重要的角色,已经成为最常使用的处理方法之一。本文围绕医学图像处理的两个应用：“肺癌病理细胞图像识别”和“前列腺CT图像分割”,针对其中存在的现实问题,尝试使用机器学习技术来解决。在本文中,我们提出了以下创新技术：(1)一种直推式代价敏感分类器mCLRLS (Multi-class Cost-sensitive Lapla-cian Regularized Least Squares)。为了解决肺癌图像分类错误诊断严重性不一致的问题：将正常图像错分为癌症图像意味着需要医生重新确诊,而癌症图像错分为正常图像意味着病人很有可能失去最佳治疗机会,引入了代价敏感学习中不同类别的错分代价不同的假设；与此同时为了减轻病理学家花费在标记大量病理学切片上的工作负担,引入了直推式学习中的拉普拉斯正则化项,假设未标记图像和已标记图像满足流形假设；在此基础上提出了新的直推式代价敏感学习分类器：mCLRLSo在真实肺癌病理图像数据集上有效地解决了所提出的问题。(2)一种多模态稀疏表示分类器mSRC (Multi-modal Sparse Representation-based Classification)。为了进一步提高癌症类型分类性能,研究了多模态信息对于不同癌症类型分类的作用,并在此基础上提出了一种多模态稀疏表示分类器(mSRC)。通过引入了多视图学习问题中的大差异性原则,采用遗传算法来指导多模态字典学习,保证单个模态的判别性和多个模态之间的差异性；最后通过层次融合策略来预测未知图像的类标。实验验证合理利用多模态之间的判别性和差异性信息将会有效地提高分类性能。(3)一种基于直推式学习的特征选择方法tLasso (Transductive Lasso)以及一种基于流形正则化的加权回归算法wLapRLS (Weighted Laplacian Regularized Least Squares)。传统的基于机器学习的前列腺图像分割方法分割结果受到病人前列腺移动幅度大小的影响,针对这一问题提出了一种交互式的前列腺图像分割方法,目的是花费少量医生的手动标注时间来提高分割效果。引入了直推式学习理论,在此基础上提出了病人特定信息的感兴趣区域提取方法IPRE (Iterative Propagation-based ROI Extraction),提出了基于直推式学习的特征选择方法tLasso,以及提出了基于流形正则化的加权回归算法wLapRLSo在真实CT前列腺图像集上进行验证,并取得了令人满意的分割效果。(4)一种基于直推式空间约束特征选择方法SCOTO (Spatial-COnstrained Transductive LassO)。为了解决基于机器学习的分割方法中,CT图像不同区域形态变化较大的问题,提出了基于直推式空间约束特征选择算法SCOTOo SCOTO能够针对不同局部区域选择不同的特征,同时保持相邻区域特征的平滑性,并在此基础上设计了一种可行的基于投影梯度下降的优化方法来求解该问题。实验效果在真实CT图像集上得到了有效的验证。