世界卫生组织的报告指出,乳腺癌是导致女性死亡的主要原因之一。在过去的几十年里,全球女性的乳腺癌发病率在不停地上升,只有及时地进行乳腺癌筛查,在早期有效地检测和诊断乳腺癌才能够降低乳腺癌的死亡率。乳腺癌是一种复杂的异质性疾病,其临床表现多种多样,乳腺超声、磁共振成像、CT和X线摄影检查是目前常用的乳腺检查方式。乳腺X线摄影检查是女性乳腺癌早期诊断的首选方法,具有操作简单和成本低等优点,在全世界各地得到了广泛地应用。随之而来的就是需要进行筛查的乳腺X射线图像的数量非常庞大,给医生带来了繁重的工作量。基于乳腺X线图像的计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统借助各种图像处理方法对乳腺X线图像进行分析,不仅能够为医生临床判诊提供意见,减轻医生工作量,还能够提高乳腺癌早期诊断的准确率。肿块和钙化点是乳腺X线图像中最常见的异常,是乳腺CAD系统的主要识别对象,在乳腺癌患者中有近八成以上是以乳腺肿块为首诊,因此本文的研究对象为乳腺X线肿块图像。肿块分割、肿块区域特征提取、肿块良恶性分类是乳腺肿块CAD系统的主要组成部分,本文主要针对这三个主要部分中的重点和难点问题展开研究,以提高计算机辅助诊断的准确性和效率为目标,建立完整的乳腺肿块计算机辅助诊断框架。本文的主要研究成果和结论如下:（1）设计了基于PSO和GA混合优化的FCM算法。在经典的FCM算法中,具有随机性的初始聚类中心设定会影响图像的分割效果。针对此问题,本文提出了PSO和GA混合优化FCM的分割算法。PSO算法的“记忆”功能可以保留上一代中的最优解,GA中交叉变异等操作可以产生高质量的优化解,将二者相结合不仅解决了GA-FCM和PSO-FCM中的早熟的问题,还提高了算法稳定性。对DDSM数据库中的乳腺X线肿块图像的分割结果表明,本文分割算法的(1和(1两个有效性评价指标优于GA-FCM、PSO-FCM、FCM、PCNN和K-means等五种分割方法,可以更好地分割出乳腺肿块区域。（2）提取了乳腺肿块区域的多尺度融合特征。乳腺肿块区域的特征提取是乳腺肿块CAD系统中的关键环节,本文提取了乳腺肿块区域的几何特征、灰度特征和纹理特征共16个特征值,对CBIS-DDSM数据库中的乳腺X线肿块图像提取特征值的分析表明:本文所提取特征值具有明显的区分性。针对单一尺度下的图像特征仍然具有局限性的问题,基于高斯金字塔提取了乳腺肿块区域的16×4维度的多尺度特征,并使用PCA算法降低特征维度,得到的多尺度融合特征能提取肿块区域更深层次结构上的特征信息,可以提高分类效果和CAD系统的性能。（3）在经典SVM的基础上,设计了基于PSO参数优化的SVM分类器。针对在乳腺肿块良恶性分类任务中的非线性可分情况,选取RBF函数为核函数,将原始空间中的特征向量映射到高维空间中,在减少运算量的同时又找到了实现线性可分的最优分类超平面。使用PSO算法优化经典SVM中的惩罚参数C和RBF核函数中的参数。使用CBIS-DDSM数据库中的乳腺肿块图像进行了良恶性分类实验,本文设计的分类器的准确率为92.85%,ROC曲线下面积值Az达到了0.9269。分类准确率高于经典SVM分类器和其他分类方法,证明了本文提取的多尺度融合特征的有效性以及本文设计的分类器性能的优越性,二者能够在乳腺肿块CAD系统中发挥巨大的作用。