近些年,模式识别技术发展飞速迅猛,且通过拉曼光谱进行检测样品的技术愈发成熟,使得将二者结合在生物医学领域的应用范围越来越广泛,国内外通过血液、汗液及组织等的拉曼光谱在各种癌症、甲状腺、丙肝、登革热、皮肤病等疾病的筛查中已有了很多相关研究,但通过泪液的拉曼光谱实现在眼科疾病的分类识别研究却鲜有报道。本文分析了眼科疾病的诊断及其与拉曼光谱信号结合的国内外研究现状,发现模式识别算法,即支持向量机(Support vector machine,SVM)、和误差反向传播神经网络(Back-Propagation Neural Network,BPNN)用于医学诊断识别具有很大的科研价值。本文针对眼科疾病泪液拉曼光谱信号的特点,提出使用SVM和BPNN算法分别结合偏最小二乘(Partial Least Suares,PLS)和主成分分析(Principal Component Analysis,PCA)两种特征提取方法进行分类。本文还提出使用自适应迭代惩罚最小二乘法(adaptive iteratively reweighted Penalized Least Squares,airPLS)对拉曼光谱进行更进一步的背景扣除,并通过airPLS-PLS和airPLS-PCA算法分别结合SVM和BPNN模型实现了分类效果的提升。本文主要的研究内容如下:1.使用收集到的泪液拉曼光谱信号结合不同的模式识别算法完成了对常见眼部疾病的筛查诊断。对拉曼光谱信号进行了多项式拟合降噪处理以提取较为纯净的光谱信号,并做归一化处理,使所有拉曼光谱信号在同一个量纲内。然后针对超高维光谱数据,通过分别使用PLS算法和PCA算法进行了特征提取。最后建立和比较了PLS-SVM、PLS-BPNN、PCA-SVM和PCA-BPNN模型,完成了对常见眼部疾病与健康人的分类诊断,四种分类模型的准确率分别为85.71%、84.29(±1.35)%、60%和68.29(±4.58)%,其中PLS-SVM模型的特异性与灵敏度分别为100%和76.19%。结果表明基于泪液拉曼光谱的模式识别算法在眼科疾病筛查方面有着很大的应用潜力。2.针对多项式拟合降噪及归一化进行预处理所建立的PLS-SVM、PLS-BPNN、PCA-SVM和PCA-BPNN模型准确率较低的缺点,提出基于airPLS-PLS和基于airPLS-PCA的SVM、BPNN分类模型,并与学习向量量化(Learning Vector Quantization,LVQ)神经网络对比。最后得到airPLS-PLS-SVM、airPLS-PLS-BPNN、airPLS-PCA-SVM和airPLS-PCA-BPNN四种分类模型的平均准确率分别为:100%、99.41%、73.52%和79.41%,结果表明基于airPLS算法改进的模式识别算法在眼科疾病的筛查方面有着更好的效果。本文的大量实验结果表明,拉曼光谱信号结合PLS-SVM、PLS-BPNN模型能够有效地识别有病或健康的泪液。本文分别经过airPLS-PLS法和airPLS-PCA法优化的SVM、BPNN算法能够提升分类模型的准确率,具有很大的应用价值,这也为临床对眼部疾病的诊断与筛查提供了新颖的思路。