无线胶囊内窥镜(Wireless Capsule Endoscopy, WCE)作为一种新型的胃肠道疾病检测技术,克服了传统的机械式内窥镜检查存在的缺陷,避免给患者带来身体上的痛苦,已经广泛应用在很多医院。但是胶囊内镜在工作期间产生5-6万张海量图像,若单靠医生的人工观察诊断,是一项耗时而又枯燥的工作。因此,研究出一套准确筛选出无线胶囊内镜胃肠道病变图像的计算机辅助检测软件,是当前急需解决的关键问题。为了减少对出血面积小图像的漏检,人们通常采用基于图像块的病变检测算法。但是传统方法都是将图像简单分割为固定数量的矩形小块,这种硬性的划分会损失图像本身的边缘和语义信息,导致检测准确度不高。因此本文提出了基于超像素分割的出血图像检测算法,将图像中具有同质性的连续区域自适应的结合在一起,在保持图像边界的同时,也减少了图像的冗余信息。本文首先从基于图论和基于梯度的方法两个方面分析、总结了常用的七种超像素分割算法,并比较了各种分割算法的分割视觉效果、边界查全率和分割时间,选择出了本文认为最合适胶囊内镜图像的超像素分割算法。其次,考虑到超像素块的尺寸小、形状不规则、纹理信息不丰富,本文主要研究与形状和尺寸无关的统计特征,采用了超像素块的颜色特征。分析了颜色分量特征、颜色矩、红色纯度特征以及本文改进的红色纯度特征四种方法,通过实验对比,本文改进的红色纯度特征的分类结果优于其他三种方法,因而确定,利用本文改进的红色纯度特征训练局部特征分类器,并识别病人数据中的出血图像。最后,针对第一级分类产生的内镜图像漏检,引入了局部和全局特征的级联式病变检测技术。在提取全局特征时,利用了Contourlet变换和LBP纹理特征,并在不同颜色空间下进行了实验对比,选择了HSV颜色空间的Contourlet变换来提取纹理特征。采用训练好的全局特征分类器,对第一级分类的正常图像再次分类,能有效降低病人图像的漏检,提高了灵敏度。