在女性人群中乳腺癌的新发病例占比越来越大,且在临床检测中具有一定的病发隐匿性,不易被察觉,因此很多患者在被医生确诊时已成为晚期。为了有效减少乳腺癌死亡率,防止患者错失最佳治疗时机,我们亟需加大对早期检测治疗的宣传力度。恶性肿块是乳腺癌变的重要表现形式,计算机辅助诊断对乳腺肿瘤的良恶性自动识别具有重要研究意义。本文不同以往的研究思路,在分析乳腺肿瘤数据特性的基础上,提出一种新的融合影像学特征和医学临床特征的方法;针对这些融合产生的新特征,又提出了特有的分类方法和进一步的良恶性分类改进算法。本文具体研究工作如下:一、分析多源乳腺肿瘤数据的样本特点,提出一种融合影像学特征和临床特征的方法,即基于典型相关分析的语义特征组融合算法。该算法先对乳腺肿瘤感兴趣区进行分析计算,产生定性的语义特征;然后把高级语义特征进行分组,设定语义特征间融合规则;最后利用基于典型相关思想的特征向量组融合算法对影像学特征及患者的临床特征进行融合,从而生成新的乳腺肿瘤特征,即融合特征。实验结果表明,该算法生成的融合特征更有利于乳腺肿瘤的良恶性分类。二、围绕融合特征本身固有的特性,研究讨论对融合特征进行分类存在的问题与难点,引入核函数及加权集成思想,提出基于融合特征分类的加权集成分类方法。实验结果表明,该集成分类方法具备更好的分类精度和泛化能力,在解决融合特征的二分类问题上成效显著。三、围绕乳腺肿瘤良恶性的分类问题,提出了一种结合Random Subspace和Ada Boost ELM的集成分类方法,该方法可以改善ELM在乳腺肿瘤良恶性诊断中分类结果不稳定的缺陷,并提高集成分类的性能。实验结果表明,该方法能够获得低于ELM和其他一些集成学习方法的预测误差。