对于可逆水印技术在三维医学图像中的应用问题，提出一种基于单向预测误差扩展的三维医学图像可逆水印算法。首先根据像素间的三维梯度变化预测像素从而得到预测误差；然后结合磁共振成像生成的三维医学图像的特征，采用单向直方图位移与预测误差扩展相结合的方法将外部信息嵌入至三维医学图像；最后，重新预测像素，提取外部信息，恢复原始三维图像。实验结果表明，在MR-head和MR-chest测试数据体上，与二维梯度预测相比，所提算法预测误差的平均绝对偏差分别降低1.09和1.40，每个像素的最大嵌入容量分别增加0.0456比特和0.1291比特，从而能够更准确地预测像素值，嵌入更多的外部信息。该算法可应用于对三维医学图像的篡改检测以及患者隐私保护。

针对乳腺X光医学图像多分类问题中训练速度比较慢的问题，提出超球体多分类支持向量数据描述(HSMC-SVDD)分类算法，即把超球体单分类支持向量数据描述直接扩展到超球体多分类支持向量数据描述。通过对乳腺X光图像提取灰度共生矩阵特征；然后用核主成分分析(KPCA)对数据进行降维；最后用超球体多分类支持向量数据描述分类器进行分类。由于每一类样本只参与构造一个超球体的训练，因此训练速度明显提高。实验结果表明，这种超球体多分类支持向量数据描述分类器的平均训练时间为21.369s，训练时间比Wei等(WEI L Y, YANG Y Y, NISHIKAWA R M,et al.A study on several machine-learning methods for classification of malignant and benign clustered micro-calcifications. IEEE Transactions on Medical Imaging, 2005, 24(3): 371-380)提出的组合分类器（平均训练时间40.2s）减少了10~20s，分类精度最高达76.6929%，适合解决类别数较多的分类问题。

为了进一步完善自动图像标注方法,提出基于高斯混合模型的自动图像标注方法。该方法通过建立每个关键词唯一的高斯混合模型(GMM),准确地描述关键词的语义内容,进而提高自动图像标注的精确性。最后,通过采用COREL图像数据集与不同方法的比较,从平均查准率、平均查全率的实验结果验证了该方法的有效性。