近年来，乳腺癌的发病率越来越高，严重危害着女性的身心健康。计算机辅助检测系统能够辅助医生，提高病变区域检出率，从而降低乳腺癌患者的死亡率。肿块是乳腺癌的主要病症之一，其有效检测是计算机辅助诊断中非常重要的步骤。为此，通过学习肿块的病理特征，综合机器学习方法进行肿块检测，为医生标记出图像中的可疑区域，就能够在减轻医生压力的同时辅助医生更好的进行诊断。本文以灰度、LBP特征以及稀疏表示理论为基础，深入研究了乳腺图像中疑似病变区域的检测方法。主要工作概括如下：首先，提出了Pyramid-PCA灰度特征。针对肿块区域中心密度大，向边缘处密度逐渐减小的特点，设计了塔型特征表征表示方法，并对每层灰度特征进行不同维数的降维；由于Pyramid-PCA灰度特征的降维过程，损失了对原图描述的部分信息，因此提出多尺度LBP特征，提取不同尺度下的LBP算子并进行融合，有效描述了图像的全部信息，减少了原图信息的损失。其次，为精确标记肿块区域，提出了滑动窗融合算法。大大减少了第一次检测结果中的假阳性率，同时获得了疑似区域的大致方位，然后结合区域生长算法，将疑似区域更精确地提取出来，使得二次稀疏表示的检测结果更准确。最后，提出了二次稀疏表示的检测算法。通过二次稀疏表示进行病变区域检测，降低了第一次稀疏表示检测中的假阳性率，通过二次稀疏将不同的特征进行交叉检测，有效地降低了检测结果的假阳性率，同时能够更精确地标记出疑似肿块区域。实验结果表明，本文提出的基于稀疏表示的病变区域检测算法，能够更好地描述肿块区域的特性，在有效降低假阳性率的同时，保持较好的检测性能。