血型是血液类型的简称。血型的正确判读具有很重要的意义，如果不同的血型之间进行输血会造成严重的医学事故，甚至死亡。目前国际上最推荐的血型检测方法是微柱凝胶法，但我国针对其检测结果进行判读时仍使用人工的方法，这样不仅使得判读结果不易自动化和标准化，并且人为误差较大。为此很多学者以试管为载体，使用图像处理的手段对微柱凝胶法的检测结果进行判读。但是试管的本身结构不利于大规模集成的进行试验，且使用的图像处理手段较传统，即不易实现全自动血型判读和得到较高的血型判读准确率。本文针对上述判读过程中出现的问题，使用微流控芯片代替试管作为反应载体，使用机器学习的手段对检测结果进行判读，提高判读准确率。
　　本文首先针对由于微流控芯片自身材料的原因，使得在获取血型图片的过程中易受光源影响的问题，在预处理时使用同态滤波和数学形态学的方法减弱光源影响，该方法在对图像进行增强的同时又避免了“过增强”现象，得到了较完整的图像信息。此外，针对血型图片分类方法较传统且精确度不够的问题，本文使用机器学习中的支持向量机作为分类器，并使用小波函数代替传统核函数，进一步提高分类准确性。最后针对图像特征中孤点对分类结果造成的影响，本文在特征提取的基础上对图像特征进行权值匹配，降低孤点对分类的影响程度，使得分类准确性得到进一步提高。
　　本文对上述方法进行仿真实验，首先对比分析了两种权值匹配方法的匹配效果，接着在相同条件下，对传统核函数支持向量机和小波核函数支持向量机的分类准确性进行比较，最后将提取到的3种特征数据权值匹配后分别送入同一分类器。仿真结果表明，使用模糊聚类方法对纹理特征数据进行权值匹配后，送入小波核函数支持向量机可以使得分类准确率比传统无权值匹配的支持向量机有所提高。