乳腺癌是女性最常见的癌症之一。早期发现、早期诊断、早期治疗对医治乳腺癌、降低死亡率至关重要。开展基于乳腺X影像的适龄妇女的乳腺普查工作是早期检测乳腺癌的重要手段。乳腺癌早期最重要的表现是微钙化,微钙化的检测与诊断直接影响乳腺癌的诊断率和治愈率。由于普查的数据量大、阅片难度高,且微钙化非常细小,常常混入乳腺组织不易被发现,医生仅靠肉眼通常难以完成任务,因此,基于乳腺X影像的计算机辅助诊断微钙化已经发展起来,作为“第二读者”帮助医生和放射学家更好地作出判断,成为乳腺癌早期诊断的研究热点和难点。它主要包括微钙化的检测和良恶性分类两个方面。现有微钙化的检测算法已经比较成熟,并已开发成商业系统应用于实际医疗系统,而微钙化的良恶性分类算法取得的效果却并不理想。小波分析作为近年来出现的有力分析工具,已广泛应用于微钙化良恶性分类。因为基于小波的方法能既在时域又在空域对图片进行分析,提供不同频段、不同尺度下的特征。但是,大多数基于小波的方法都是用正交小波变换去除特征间的相关性,却不具备平移不变性,对小波基的选取没有形成统一的标准。而且一般基于小波的方法对小波系数尺度间相关性的考虑不是很周到,在建立模型的时候没有加入不同尺度间的关联信息。此外,对分类器的选取也比较盲目和单一。本文主要对微钙化良恶性分类技术进行了系统深入的研究,提出了一种新的有效的微钙化良恶性分类算法,并通过实验进行验证。本文首先研究了不同小波基的特性及其对分类算法的影响,提取了基于不同小波的纹理特征进行分类;然后将小波域隐马尔可夫树(HMT)模型应用到微钙化良恶性分类,提取基于不同小波域HMT模型参数的特征;最后提出了一种新的分类算法,将基于小波域HMT模型的参数特征和基于双树复数小波的特征结合起来,利用遗传算法进行特征优化,采用了KNN分类器、支持向量机和神经网络三种分类器进行分类,并比较了各种分类器对分类精度的影响。本实验是基于两个国际公用乳腺X影像数据库(Nijmegen和Mias)进行的,结合leave-one-out和n-fold cross validation两种误差估计方法及ROC曲线对实验结果进行评估。实验结果表明,对于相同的数据库,本文的方法远远优于前人提出的微钙化良恶性分类方法。