当前全球各类癌症的发病率正以快速增长的趋势严重威胁着人类的生命健康。据2021年2月世界卫生组织报道,全部癌症的发病率中乳腺癌首次超过肺癌成为全球最常见的癌症,因此对于乳腺癌计算机辅助诊断方法的研究具有十分重要的实际研究价值。目前乳腺癌的临床诊断主要依赖于众多的医学成像技术,其中MRI成像以其优越的影像软组织分辨能力及高对比度成为主要的研究对象。为了进一步提高乳腺癌计算机辅助诊断能力,本文对乳腺MRI肿瘤分割、肿瘤特征提取及特征选择、良恶性分类三个方面的乳腺癌计算机辅助诊断方法进行研究,具体工作如下:图像分割在计算机辅助诊断研究中占据十分重要的地位,分割结果的好坏直接影响了整个辅助诊断系统的性能。然而由于乳腺MRI肿瘤影像中包含了大量的其他组织且影像本身存在部分容积效应和偏场等因素,导致肿瘤边界往往模糊不清,精准分割肿瘤区域具有很大的挑战性。为了能够进一步提升分割结果的准确率,本文提出一种结合改进SLIC和GVF Snake算法的乳腺肿瘤分割方法。该方法结合图像自身的特征信息,定义了两个自适应权重函数,实现了SLIC和GVF Snake模型的参数的选取。在改进SLIC算法上能够实现对肿瘤区域更为准确的分割精度,在此基础上引入了改进GVF Snake算法增强肿瘤边界的动态捕捉能力,加强外部力场的扩散能力,实现对于改进SLIC算法肿瘤区域分割结果边界细化目的,达到更高的分割准确率。本文方法既不用优化算法的目标函数,也不需要进行多次试验对比分析,降低了人为设置相关权重的干扰性,对不同图像提供更为准确的划分。实验结果表明本文提出的肿瘤分割方法能够更为准确地实现分割目的。在上述分割研究的基础上,本文采用了一种多类别多维度的影像组学特征融合及特征选择方法。在充分掌握手工特征提取方法的前提下,本文从灰度、几何形状及纹理等三个类别进行特征提取。其中纹理特征在特征描述中占据着十分重要的地位,本文对其进行了重点的阐述,同时选用了Tamura特征、灰度共生矩阵以及灰度梯度共生矩阵三种不同的提取方法实现对纹理特征较为全面的描述。提取结果中每一个病例共包含176维特征,特征描述结果通过零均值化之后以热力图的形式展现,并描述了每一维特征的平均值。在获得肿瘤特征描述集之后,为了减小特征冗余对于分类器泛化能力的影响,本文提出一种PCA分类别特征选择方法,选择结果只保留了16维特征统计量作为分类器的输入。肿瘤良恶性分类是计算机辅助诊断中最后一个环节,也是唯一能够直接参与到临床诊治过程中的环节。为了进一步降低误诊率提高分类准确率,本文在前期肿瘤分割及特征提取与选择的研究基础上,采用SVM模型并引入了一种改进的二阶振荡粒子群算法实现对其性能的优化。其中,改进的二阶振荡粒子群算法克服了基本PSO算法在优化过程中容易出现早熟以及局部最优等缺陷,利用其不同的振荡条件在优化过程中对PSO算法的目标函数进行优化,加强算法局部搜索及全局搜索的能力,提高了分类器的准确率及泛化能力。同时本文在分类器验证环节引入了K折交叉验证的思想,与其他优化方法相比本文提出的改进优化分类实验的准确率达到了92.8517%。