近年来我国女性乳腺癌发病率逐年上升,已经成为威胁女性健康的重大问题,尽早发现可以提高其治愈率,统计结果显示我国乳腺癌的治愈率明显低于发达国家。乳腺肿瘤筛查可以发现早期乳腺癌,因此是医学成像的焦点问题。已有研究证明乳腺的正常组织和恶性肿瘤组织具有不同的电磁响应特性,这为微波成像应用于乳腺肿瘤筛查提供了理论基础。微波成像具有无辐射、成像分辨率高的优点,使其在乳腺肿瘤筛查具有广泛的应用场景。本文主要研究了两个问题:第一,提出基于遗传算法的微波成像算法对具有规则形状乳腺肿瘤进行成像;第二,对成像算法进行改进,提高成像算法对具有复杂结构的实际乳腺肿瘤的成像能力。本文使用微波层析成像实现对二维肿瘤的成像,使用时域有限差分法解决微波成像正散射问题。微波成像的逆散射问题是一个非线性、病态问题,本文使用遗传算法解决微波成像的逆散射问题。在遗传算法中,提出了轮廓提取的编码方式,可以在实现高分辨率成像的同时,减少遗传算法的染色体的长度,从而减少遗传算法的计算量;同时,为适应度函数添加距离补偿,减少了假最优情况;并且构造了动态轮廓提取的迭代方式,提高了遗传算法的迭代效率。通过仿真实验证实了本文所提的成像算法可以实现对二维乳腺肿瘤进行分辨率为1mm的高准确度成像,证实轮廓提取的编码方法以及动态轮廓提取的迭代方式可以提高成像准确度和遗传算法的迭代速度。本文利用K-means聚类算法将实际的乳腺肿瘤超声图转换为二值化网格图,根据这个二值化网格图建立了具有复杂轮廓的实际二维肿瘤模型。接着,本文对成像算法进行改进提高对实际肿瘤模型的成像能力,首先对距离补偿适应度函数作对数变换提高遗传算法的迭代速度,其次将集成学习应用在乳腺肿瘤的微波成像上,提高了遗传算法对于不规则乳腺肿瘤微波成像的优化能力。集成学习采用Bagging的集成思想构造基学习器,结合方式为软投票方法。本文通过仿真实验证明改进成像算法具有较好的泛化能力,可以对不同轮廓、不同位置、不同大小的乳腺肿瘤实现成像。本文的成像算法可以对直径为1cm左右的乳腺肿瘤实现分辨率为1mm的成像,而且成像结果的查准率和查全率都在96.97%以上。