在女性的恶性肿瘤中,乳腺癌是仅次于肺癌的第二大癌症。乳腺X线图像是乳腺癌早期诊断中最重要的技术之一,但由于图片质量低劣或人为疏忽,X线图像中的很多病变不能放射专家所发现,因此需要设计计算机辅助诊断(CAD)系统来帮助放射专家进行诊断。本文主要针对CAD系统中的模式表示、特征选择和分类器设计进行研究,以实现对微钙化簇病变类型的诊断。主要做了以下工作:1、针对微钙化簇病变区域,在前人工作的基础上提取了131个表示模式,其主要分为两类,包括了80个纹理特征和51个空间域特征(包含多尺度特征)。2、改进了代价敏感的选择性集成(CSSE)特征选择算法。CSSE算法存在着效率较低、特征子集维数不稳定等问题,针对这些缺点,本文改进了CSSE算法。改进算法采用后向添加特征方法,优先选择对判别性能贡献最大的特征,减少了特征间的相关信息和冗余信息,降低了计算复杂度,提高了选择效率和集成后特征集合的稳定性。3、将半监督学习引入到分类器设计中。乳腺癌普查产生了大量未标记样本,而现有的乳腺癌辅助诊断系统缺乏对这些未标记样本的有效利用。本文引入的半监督学习能充分学习原本浪费的无标记样本信息,同时考虑到良恶性样本的不同错分代价,将代价敏感学习结合到分类器设计中,设计了半监督的代价敏感支持向量机。4、在分类器设计中引入了多视角学习。乳腺癌X光片存在两类弱相关特征,现有的辅助诊断算法只是简单地将两类特征直接拼接成向量进行分类器设计,忽略了X光片特征的多视角性。本文引入了一种典型的多视角学习算法——Co-Training算法,并针对肿瘤诊断的独特性对其作了改进,提出了一致性Co-Training(CoCo-Training)算法。最终获得了优越的诊断性能。