在近些年的发展进程中,颈动脉粥样硬化慢慢演变为危害健康的重要疾病。动脉粥样硬化治愈率较低,复发率较高,且因此引起的严重心血管疾病,如中风、心梗等更是常可危及生命。因此,早期发现和诊断此类问题,对于避免疾病的恶化有着极为重大的价值。识别所存在的动脉粥样硬化有着较为丰富的方案可供选择,在多个方案中超声（Ultrasound,US）技术应用最为广泛。组织微结构具有结构、纹理等特征,这些结构纹理在US图像中表现为不同分布的斑点噪声,具有类似的分布特性,这些散斑可以用聚类的方式进行提取。在超声成像中,分辨率单元内存在不同分布的散射时会导致混合的回声反应。而常用的概率分布模型是单参数的分布,只能用于简单描述原始信号包络。在这些情况下,混合概率模型成为统计描述散斑聚类特征更合适的方法。本研究基于超声图像Gamma混合模型特征参数的颈动脉斑块分类。首先对采集到的超声图像进行兴趣帧的选取,用Gamma混合模型对选取的兴趣帧进行聚类处理,得到的参数组成特征矢量,再使用十折交叉验证支持向量机中基于四种支持向量机的核函数（线性核,多项式核,Sigmoid核及径向基核）对特征矢量进行训练,后得出分类的平均准确率,为了与其他处理方法进行比较,本研究还同时使用瑞利混合模型对同样的图像兴趣区进行分类,再用同样的手法研究瑞利混合模型聚类的准确率,并与Gamma混合模型进行比较。为了验证本研究方法的有效性,从临床采集了40例动脉粥样硬化样本作为研究对象,每例图像取40帧图片,请专家以多年临床经验,从40例样本中,选取40帧,每帧中选取5个兴趣区（包含软斑,硬斑,混合斑及其他组织）,按上述试验方法进行聚类处理得到三个参数分别为期望、方差及该分类所占兴趣区的权重（瑞利混合模型则是方差及权重）,将每类参数集制成特征矢量,使用四种核函数对其进行十折交叉验证,得到两个混合模型聚类准确率。结果表明,Gamma混合模型在对超声图像动脉斑块聚类时对斑块分类具有良好的分类效果,除多项式核函数外,其余三个核函数的准确率处于70%-90%之间,其中Gauss径向基核函数支持向量机训练出的准确率最高,达到80%以上,而瑞利混合模型聚类的效果则不如Gamma混合模型。通过以上实验可以得到结论,使用Gamma混合模型参数估计对斑块分类可以得到较为准确的结果,可用于临床的计算机辅助诊断。