目前,计算机辅助诊断作为研究的热点,在医学上得到了广泛的应用,乳腺疾病是女性发病率较高的疾病之一,因而计算机辅助诊断在乳腺图像分类方面的研究倍受关注。论文针对乳腺图像极高的相似性和巨大数据维度而导致乳腺图像类别归属混乱、分类性能低下等问题,运用粒子群选择集成多分类器方法对乳腺图像进行分类研究。主要内容如下:（1）为了给分类系统提供高质量的特征数据,减少分类时的计算工程,从而提高乳腺图像特征分类的运行效率。论文利用多层次主成分分析（MPCA）方法对乳腺图像特征进行特征降维处理。首先,对乳腺图像进行剪切去噪、增强等一系列预处理;然后,选择出ROI区域乳腺图进行特征提取;最后,对图像特征进行降维处理。论文提取了42090维乳腺特征,通过多层次迭代主成分分析最终得到6维主成分特征。（2）为了提高分类系统对乳腺疾病类别诊断的准确率,论文提出了粒子群选择集成多分类器方法,构建较强的分类系统对乳腺图像进行分类研究。由于单一的分类器对乳腺图像进行分类满足不了诊断分类的需要,论文在以往的集成分类器算法的基础上,构建了PSO＿MKNN分类模型和PSO＿MRF分类模型,提升乳腺图像特征的分类准确率。（3）针对传统粒子群算法存在的不足,论文构造了改进后的粒子群选择集成多分类器,对乳腺图像进行进一步的分类研究。改进粒子群算法的思想主要体现在:首先在粒子群算法的粒子更新部分引入了遗传算法（GA）,确保每一代的粒子都是相对较优的;其次在寻找每次最优粒子时,提出了小组评估策略:分组寻找最优,进而寻求全局最优。从而提高了搜索效率,避免陷入局部最优,让分类准确率得以保障。论文将构建的分类算法在乳腺图像MIAS数据集上进行分类实验验证分析,并与单一的分类算法的研究结果做比较。实验结果表明,在MPCA特征选择算法提供较少的高质量乳腺图像特征、保障时间效率的前提下,论文构建的分类算法在分类精度上有了一定的提升,展现出了良好的性能。