乳腺癌已成为城市女性的“头号杀手”,严重危害了当代女性身心健康。目前已知生活方式、环境问题等因素对乳腺癌的发病有一定的影响,但仍无法获知其确切的发病原因。为了降低乳腺癌死亡率,关键在于早发现、早诊断、早治疗。由于医师受到工作经验、疲劳度等方面的影响,计算机辅助技术在乳腺X线早期诊断中起着非常重要的作用。微钙化点是乳腺癌的早期特征之一,由于其与周围组织的对比度较低等因素,如何快速有效地利用计算机辅助技术检测出乳腺X线图像中的微钙化点是当今乳腺癌研究的一个重要课题。本文针对微钙化点的检测难点,并基于对生物医学图像以及乳腺X线图像的特征分析,分三个模块对微钙化点自动检测中的图像处理与分析算法进行了深入的研究。工作内容及创新点如下：1.预处理模块。针对乳腺区域提取方法复杂度较高的现状,本文提出了一种基于形态学的乳腺区域提取算法,实验结果表明该方法在确保完整有效的提取乳腺区域的基础之上,获得了提取速度的改善,具有较强的通用性。2.感兴趣区域(ROI)提取模块。基于生物医学图像通常由若干独立成分加权迭加而成的特征,以及独立分量分析对数据高阶统计相关性分析的优势,提出了一种基于独立分量分析的提取感兴趣区域的算法。通过基于负熵最大化的FastICA保证了ICA算法的收敛速度。结合人工神经网络和支持向量机分别对提取的特征向量进行分类以提取感兴趣区域。对两种分类方法的实验结果表明,支持向量机在分类精确性和算法简便性上均优于人工神经网络,最高准确率可达91.67%,真阳性率93.33%。通过与其他文献提出的算法提取ROI的真阳性率的比较,进一步验证了独立分量分析在提取乳腺X线图像特征高完整性的优势。3.微钙化点检测模块。在微钙化点检测技术中,提高微钙化点与背景区域的对比度是提高检测效果的关键问题。基于乳腺X线图像在频域的特征表现以及小波的时频特性,提出了一种结合了小波分析和小波去噪的算法。与形态学Top-Hat算法,部分小波系数加权算法的检测结果比较表明,本文的算法保持了对背景区域的高去除度,有效地克服了噪声较大的缺陷,获得了高对比度的微钙化点,实现了微钙化点的有效检测。