近年来，由于人们不良的生活方式和环境污染等因素的影响，肝脏疾病的发病率和死亡率不断上升，尤其是肝癌疾病。早期的肝癌不仅病理特征不明显而且患者没有明显不适，因此不易确诊病情。即使确诊病情时也到了中晚期，而且治疗方法一般是手术治疗、介入治疗、放射治疗等，这些治疗方法对病患都会带来极大痛苦。因此疾病早期的诊断极为重要，目前通常采用的确诊方法大部分采用活检穿刺技术，它不仅操作难度大，病患也要忍受较大痛苦。而且由于肝脏病变的特殊性，不像其它部位的病变在影像学上有明显表征，又因为不同的肝脏病变在平扫CT图像上表现区别不够明显，并且医生通过肉眼从CT图像上很难诊断出早期病变，因此利用计算机辅助诊断非介入式对肝脏疾病的早期发现有着极为重要的意义。　　根据肝脏疾病在影像学上的病理特征，本文针对肝脏计算机辅助诊断系统中的分类算法进行研究，采用了基于支持向量机对多期肝脏CT图像进行分类，并提出算法流程:对多期肝脏CT图像进行肝脏分割并提取感兴趣区域、提取特征并对正常肝脏和3种病变肝脏进行分类。首先，利用改进的分水岭算法将整个肝脏完整分割出来;其次，利用区域生长法自动提取感兴趣区域，将病灶区域分割出来;然后，分别利用一阶统计特征、二阶统计特征以及多期时序特征对病灶区进行特征提取，并采用遗传算法对提取的特征向量进行特征选择;最后，利用支持向量机对6组不同的特征向量分别进行分类对比，在分类的过程中利用遗传算法对支持向量机的惩罚因子C和核函数参数σ进行优化。　　另外本文针对正常肝脏和3种病变肝脏的分类，采用三层二分的分类器设计思路，将一个四分问题化成三个二分问题进行分类。实验结果表明，本文采用的分类算法对于正常肝脏组织、肝囊肿，肝血管瘤与肝癌的分类准确率分别达到0.9667，0.9545，0.9130和0.9091分类效果良好。