乳腺癌是导致女性死亡的主要原因之一,早期发现和治疗可以显著降低乳腺癌的发病率和死亡率。动态对比增强磁共振扫描(Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI)技术,因其可为诊断乳腺病变提供丰富的四维信息,已成为一种检测乳腺疾病的重要手段。同时,基于DCE-MRI的计算机辅助诊断(Computer-Aided Diagnosis, CAD)系统,也因能辅助医生快速有效地诊断而逐渐被应用到临床中。基于乳腺DCE-MRI的病灶分割和特征提取问题的研究是CAD技术的重要内容。本论文根据正常组织与病灶在影像上的灰度分布差异,设计了一种仅基于影像背景信息的新主动轮廓模型算法来分割乳腺三维(Three Dimension,3D)病灶。对分割得到的3D病灶提取包括动态增强、形态学、体纹理和空时四个方面的综合特征以分析病灶属性。并利用SVM分类器进行特征选择和分类研究。本文主要工作如下：第一,由于病灶具有复杂的形状结构和多样的灰度分布,目前准确可靠的3D分割仍是一个具有挑战性的问题。本文针对上述情况着重进行病灶分割研究。结合病理学基础以及临床采集到的数据,本文发现,病灶周围正常组织灰度分布均匀,而病灶内部灰度复杂多样且是判别病灶良恶性的重要依据。不同以往统一建模正常组织与病灶的算法,本文首次提出基于正常组织即背景的主动轮廓模型算法进行3D病灶分割。论文对采集到的多种类型的102个病灶分割。分割涵盖了目前常见的主要乳腺癌类型,通用性较好。为比较分割结果,本论文将有经验的放射科医师标注的人工分割结果作为参照,并与其它典型分割算法比较,且利用不同的评价参数评价。实验结果表明,本论文分割模型解决了病灶分割中的弱边界泄漏问题,算法鲁棒性好,同时实现简单速度较快。第二,乳腺DCE-MRI病灶影像特征丰富,因此乳腺疾病诊断需综合多方面信息。本文在扩展二维(Two Dimension,2D)特征的基础上,从不同角度和维度共提取包括动态增强、形态学、体纹理和空时四个方面的56个3D特征,以作为病灶良恶性识别的基础。第三,针对良恶性病灶分类问题以及2D特征与3D特征比较问题,本文采用两级特征选择策略。论文用平均平方距离作为特征排序准则,利用顺序前进法搜索特征,基于SVM验证和分类,进行了2D特征选择和3D特征选择实验以及2D特征和3D特征比较的实验。实验结果表明,在本文提取的2D特征和3D特征的基础上,3D特征的分类性能优于2D特征,在进行乳腺DCE-MRI病灶分类时应多特征间融合分析。