乳腺癌的早期诊断是提高乳腺癌治愈率的关键。生物学研究表明:手掌特征与乳腺癌的发病率有相关性,若能从手掌上提取乳腺癌的易感特征,将为乳腺癌的易感检测提供一种无创、简易的方法,及时判断乳腺癌的易感性,从而提升乳腺癌患者的生存率。现有手掌特征与乳腺癌相关性研究多是手动特征提取,存在费时费力、主观性强等缺点。本文研究了手掌特征自动提取及其与乳腺癌的相关性,开发了相关平台实现:提取手掌的a-b嵴线数（指纹中心点到三角点所穿过的嵴线数量）、指长比、掌纹主线纹型、ATD角（指根部和掌根部三个点所形成的夹角）等特征后,研究这些特征与乳腺癌的相关性,筛选出了指长比的2D:4D（二指比四指）、掌纹主线纹型、ATD角和中指a-b嵴线数四个敏感特征,建立分类器,完成了乳腺癌易感性预测。论文的主要的贡献如下:（1）数据集的建立:本文设计了基于MFC手掌图像采集系统,其中包括图像采集界面、数据查询界面和图像删除界面。到云南省肿瘤医院通过指纹采集器和数码相机对乳腺癌患者的手掌图像进行了采集。采集了正常女性手掌图像作为对照组,建立了患病组和对照组两组数据,存于数据库中。（2）提出了一种基于多方向滤波和邻域去噪的掌纹主线提取方法。该方法首先对全手掌的图像进行预处理,得到统一大小和灰度的ROI掌纹图像,对图像中值滤波后用4个方向滤波器对ROI（感兴趣部分图像）图像进行滤波,并对滤波后的结果进行底帽运算从而得到粗提取的结果,最后对粗提取的主线进行二值处理,邻域去噪处理。实验结果表明:提出的方法能提取完整的、连续且无噪点的掌纹主线。（3）对手掌图像提取ATD角、a-b嵴线数、掌纹主线、指长比特征后,对这些特征进行了统计分析,筛选出了患病组与对照组数据中具有显著性差异的特征,包括指长比中2D:4D的值、中指的a-b嵴线数、掌纹主线类型和ATD角。（4）提出了一种基于adaboost增强的可变步长逻辑回归分类算法,该算法首先对待分类的数据进行权值分配,然后用步长逐渐减小的逻辑回归算法进行分类,之后更新数据的权值并迭代回归分类,最后对回归分类器进行加权合并得到最终的分类输出。用此分类器对乳腺癌患者和正常人实现了正确率超过80%的易感性分类判别。