乳腺癌是全球女性健康的主要威胁,早期的发现和治疗十分关键,乳腺钼靶是最常用的一种筛查方法,钼靶图像中常见的几种异常包括钙化,肿块和结构紊乱,其中结构紊乱由于其微妙性是最难检测的。计算机辅助诊断技术(Computer-Aided Diagnosis,简称CAD)已广泛应用于乳腺癌的检测和诊断,机器学习技术如贝叶斯分类器,人工神经网络等也被广泛使用。支持向量机(SVM)是小样本问题中最常用的技术,近年来,双支持向量机(Twin SVM)作为一种新的支持向量机迅速发展,在许多领域得到广泛应用。双界支持向量机(TBSVM)是基于TWSVM的发展。本文首先使用Gabor滤波和相位图分析定位可疑区域,后续为了减少假阳性,对每个可疑区域提取了三类特征,包括GLCM,毛刺特征以及熵特征(共241个特征)。然后使用提出的特征选择方法即多重双界支持向量机的递归特征消除(MTBSVM-RFE)法进行特征选择并训练TBSVM分类器。结果表明,提出的方法可以有效的对结构紊乱进行检测。近几年,深度学习成为人工智能研究的主流技术,在计算机视觉、语音处理等领域取得了巨大的成功,在医学图像处理中也得到了应用。然而,深度学习需要较大的数据集支持,而目前乳腺钼靶两大公开数据集(DDSM和MIAS)的结构紊乱样本都存在不足。因此,本文提出了结合卷积神经网络(CNN)和两次迁移学习的结构紊乱识别,首选是使用Image Net数据集上训练的模型参数对目标神经网络参数进行初始化,然后使用恶性肿块图像和正常乳腺组织图像对目标卷积神经网络模型进行微调训练(第一次迁移);接下来使用训练集中已知类别信息的结构紊乱图像和正常乳腺组织图像进行微调训练(第二次迁移);最后,对未知类别信息的结构紊乱和正常乳腺组织进行识别以判断输入的样本类型。结果表明,通过对网络进行两次迁移学习更有利于结构紊乱的识别。