乳腺癌在女性恶性肿瘤中发病率最高，早期检测出乳腺癌病灶是降低乳腺癌死亡率的关键。乳腺X线摄片是目前用于乳腺癌早期筛查的有效检测手段之一。然而乳腺癌的筛查过程一般涉及到的人口众多，放射科医生若要在短时间内阅读大量X线摄片，不可避免地会导致因视觉疲劳等原因而造成的漏诊和误诊。计算机辅助检测系统(Computer Aided Detection，CAD)已经被证实能有效辅助提高放射科医生的诊断准确率，以提高乳腺癌早期检出率进而降低乳腺癌的死亡率。　　肿块是乳腺癌最明显而且十分重要的X线征象。然而由于肿块病灶在形状、大小和亮度上的影像表现差别很大，而且一般对比度较低，有些甚至与周围软组织连接，因而CAD系统检测肿块的性能不能令人满意。本文的研究目的在于研究并改进乳腺CAD系统肿块检测的关键步骤算法，即：可疑区域搜索、可疑肿块分割以及肿块特征提取和分类识别，以期有效提升CAD系统自动检测肿块的性能。　　基于此，本文对于乳腺X线摄片CAD系统的肿块检测算法的关键技术的改进工作主要为以下三部分：　　1.提出了一种自动提取可疑区域的方法。即：使用sech函数模板模拟肿块的灰度分布特性，采用模板匹配的方法获取对应的相似度图像以判定乳腺区域中每个像素的可疑程度，进而对相似度图像进行指数变换后使用最大熵自适应阈值分割的方式获得相应的可疑区域。鉴于肿块尺寸大小差异极大，本文设计了基于多尺度模板的检测算法。实验结果说明该方法可以在较低假阳性率的同时检测到大多数的包含肿块的可疑区域。　　2.提出了一种基于主动轮廓的肿块分割方法。即：采用基于区域的水平集模型完成初步分割，并在分割过程中融入了梯度信息以避免“边缘泄露”。使用基于局部信息的主动轮廓模型完成了肿块轮廓的精细分割。实验结果说明与传统的水平集方法相比，本文算法所提取的轮廓更准确且具有更好的鲁棒性。　　3.在初始提取了基于形状、灰度和纹理的36维特性基础上，使用遗传算法进行高维特征的精简优化选择。针对乳腺X线摄片肿块区域的正负样本分布不均衡的问题，本文选择使用代价敏感型支持向量机对肿块区域进行分类识别。　　经上述关键技术改进，本文在 DDSM数据库242幅肿块图像的1359个可疑区域上进行了实验，实验结果：平均每图2.2个假阳性区域；92.2％的敏感度；ROC曲线下面积为0.845。实验结果表明：综合本文上述三个步骤的改进算法及精简优化的图像特征组合，乳腺X线摄片CAD检测肿块的性能优于相关文献报道所提及的检测结果，有望为临床医生提供更有价值的乳腺肿块计算机辅助诊断参考意见。