本项目旨在原有工作基础上，通过直接利用支持向量回归（SVR）得到的有限、稀疏边界支持向量进行多阈值分割，构建出一个更有力的白细胞图像分割新方法。该方法适用于彩色显微图像的多阈值分割，能有效的克服由于光照、染色等客观因素引起的显微图像质量下降的缺点，无需预先对图像作诸如类型、特征、内容、概率模型等方面的假设。与现有的一些白细胞图像分割方法不同的是，通过调节SVR参数可实现对分割阈值个数的控制，一次性将细胞核、细胞浆与背景分离。该方法还具有分割效果优、计算效率高、参数设置简便等优点，有利于后续特征抽取与分类计数，为提高整个白细胞自动识别系统的识别准确率和运行速度奠定坚实的基础。

细胞图像分割是白细胞自动识别系统中最基本和最关键的一个环节。考虑到系统实时性要求，我们沿用基于直方图的多阈值选取思路。但与传统方法不同的是，我们直接从拟合产生的有限的稀疏支持向量集中筛选阈值，避免了繁琐的组合优化过程，从而提高了算法效率。由此我们提出了基于支持向量回归（SVR）的白细胞图像分割方法。实验表明，该方法能够有效地克服由于光照、染色等客观因素引起的显微图像质量下降的缺点，具有分割效果优、计算效率高、参数设置简便等优点。然而，SVR中超参数需要耗时的交叉验证来确定，影响了算法效率。且进一步压缩支持向量集有望带来算法效率的进一步提高。综合考虑这两点，我们又提出了基于相关向量机（RVM）的白细胞图像分割方法。它获得了比SVR更稀疏的支持向量集，使得最终阈值的确定变得更容易，而且无需繁琐的交叉验证。值得一提的是，该方法对具有单峰直方图的图像仍然有效。在完成本项目所有计划的基础之上，还扩展研究了：1）乳腺X光片中感兴趣区域定位，提出了采用多尺度多级组合分类器的快速定位法；2）提出了基于尺度的一致连通树算法并用于分割一般灰度图像；3）设计了一类基于联想记忆模型的细胞分类器。