乳腺癌是一种在女性中发病率和死亡率都很高的疾病,乳腺癌的计算机辅助诊断可以减轻医生负担、使患者得到及时的治疗,而其中的关键问题就是乳腺癌组织病理学图像的自动分类。本文针对这一问题进行研究,完成的主要工作包括:1.首次将仿生特征应用于乳腺癌组织病理学图像的分类,提出了基于仿生特征和SVM的乳腺癌组织病理学图像分类算法。通过实验对两种仿生特征（C1特征和C2特征）进行了验证,并将其和经典的特征进行了比较,发现在乳腺癌组织病理学图像分类中,C2特征优于C1特征和一些经典的特征。2.提出了一种基于原型的特征提取方法,并将其应用于乳腺癌组织病理学图像分类。随机地从训练图像中选取若干子图像作为原型并提取其LBP（或LPQ）特征;对于任意输入的图像,计算图像中所有与原型同样大小的子图像和原型两者的LBP（或LPQ）特征的余弦距离,然后通过池化操作得到整幅图像最终的特征。在此基础上,提出了一种基于原型特征和SVM集成的乳腺癌组织病理学图像分类算法。在Brea KHis数据集上对算法进行验证,实验结果表明,在乳腺癌组织病理学图像分类中本文提出的基于原型的特征优于一些经典的特征。3.经典的局部二值模式是在空间域中对图像的局部变化模式进行描述。为了更好地描述图像的局部变化模式,本文提出了局部DFT模式的概念,在频率域中对图像的局部变化模式进行描述,在此基础上提出了一种基于局部DFT模式的特征提取算法,并将其和SVM结合应用于乳腺癌组织病理学图像分类。在Brea KHis数据集上的实验结果表明,在乳腺癌组织病理学图像分类中本文提出的基于局部DFT模式的特征优于目前的各种传统特征及部分深度学习特征。此外,还尝试用DCT代替DFT,也取得了很好的识别效果。