乳腺癌是一种女性中常见的恶性肿瘤,早期诊断是治愈该病的最有效手段。在乳腺癌早期诊断的诸多方法之中,乳腺X线摄影术被公认为最可靠、最便捷的方法,然而早期的乳腺癌影像学特征一般不够明显,且易受医师主观影响,以至于假阴性与假阳性情况时有出现。基于乳腺X线图像的乳腺癌计算机辅助诊断系统可以有效辅助放射科专业医师提高乳腺癌诊断的精度、效率和一致性。现有的乳腺癌诊断方法性能还达不到专业医师的认可要求,还有非常大的提升空间。本文以提高基于乳腺X线图像的乳腺癌诊断方法性能为目标,针对乳腺X线图像中的肿块检测与诊断方法进行深入研究,开展的主要创新性研究工作以及获得的贡献总结如下：1.针对现有肿块检测方法检测速度较慢的问题,提出了一种基于乳房肿块摄影特点的乳腺x线肿块建模方法,利用该模型定义的肿块内部点特征能够快速定位肿块。在此基础上,结合相应的聚类算法最终获得完整的肿块区域。2.针对现有肿块分层检测算法的不足,提出了一种基于简化型标记脉冲耦合神经网络(Marker Simplified Pulse Coupled Neural Network, Marker-SPCNN)模型的乳腺X线肿块分层检测方法,在保证较低假阳性率的前提下,有效地改进检测灵敏度。3.为了精确分割肿块,提出了一种基于SPCNN与改进型矢量Chan-Vese(CV)模型的乳腺X线肿块分割方法,较现有方法更适合于东方女性乳腺X线图像对比度较低的特点。4.提出了一个新的基于形态学骨架分歧点的形状特征,用以增强肿块形状描述。此外,提出了一种结合非下采样小波变换(Undecimated Wavelet Transform, UWT)与灰度共生特征(Gray Level Co-occurrence Matrix, GLCM)的肿块区域纹理特征提取方法。实验结果表明本文所提取特征在区别肿块良恶性方面表现出显著优势。5.为了进一步提高肿块分类的性能,提出了一种基于特征加权支持向量机(Feature Weighted Support Vector Machine, FWSVM)的乳腺X线肿块分类方法。在详细的肿块特征分析基础上,提出了影响特征权值设定的内外部因素假设,从而合理分配FWSVM中的各特征权值,实验结果表明该方法分类性能优于现有方法。本文研究属于信息学与医学交叉学科的范畴,研究成果解决了乳腺癌肿块计算机辅助诊断系统中存在的一些关键问题,实现了乳腺X线图像处理过程中的一些定性与定量分析,相应的提高了乳腺癌诊断精度与效率,满足乳腺放射科工作者的迫切需求,尤其是对提高我国乳腺癌诊治水平和人民生活健康水平有着重要意义,有着良好的临床应用前景和社会效益。图32幅,表18个,参考文献103篇