神經影像技術目前已經應用于精神分裂癥的診斷。為了提升基于單模態神經影像的精神分裂癥計算機輔助診斷（CAD）的性能，本文提出一種基于特權信息學習（LUPI）分類器的集成學習算法。該算法首先對單模態數據采用極限學習機-自編碼器（ELM-AE）進行特征二次學習，然后通過隨機映射算法將高維特征隨機分成多個子空間，并進行兩兩組合形成源領域和目標領域數據對，用于訓練多個支持向量機+（SVM+）弱分類器，最終通過集成學習獲得一個強分類器，實現有效的模式分類。本算法在公開的精神分裂癥神經影像數據庫中進行了實驗，包括結構磁共振成像和功能磁共振成像數據。結果表明該算法取得了最優的診斷結果，其在基于結構磁共振成像診斷的分類精度、敏感性和特異性分別可以達到 72.12% ± 8.20%、73.50% ± 15.44% 和 70.93% ± 12.93%，而基于功能磁共振成像診斷的分類精度、敏感性和特異性分別為 72.33% ± 8.95%、68.50% ± 16.58%、75.73% ± 16.10%。本文算法的主要創新點在于克服了傳統的 LUPI 分類器需要額外的特權信息模態的不足，可以直接應用于單模態數據分類問題，而且還提升了分類性能，因此具有較為廣泛的應用前景。
特征表達和分類器的性能是決定計算機輔助診斷（CAD）系統性能的重要因素。為了提升基于超聲成像的乳腺癌 CAD 系統的性能，本文提出了一種基于自步學習（SPL）的多經驗核映射（MEKM）排他性正則化機（ERM）集成分類器算法，能同時提升特征表達和分類器模型的性能。該算法首先通過 MEKM 映射得到多組特征，以增強特征表達能力，并嵌入到 ERM 作為多個支持向量機的核變換；然后采用 SPL 策略自適應地選擇樣本，由易到難地逐步訓練 ERM 集成分類器模型，從而提升分類器的性能。該算法分別在乳腺癌 B 型超聲數據庫和彈性超聲數據庫上進行了驗證，結果顯示 B 型超聲的分類準確率、敏感度和特異性分別為 （86.36±6.45）%、（88.15±7.12）% 和 （84.52±9.38）%，而彈性超聲的分類準確率、敏感度和特異性分別為 （85.97±3.75）%、（85.93±6.09）% 和 （86.03±5.88）%。實驗結果表明，本文所提出算法能有效提升乳腺超聲 CAD 的性能，具有投入實用的潛能。