近年来,随着人们生活水平的不断提高,人们对身体的健康越来越关注,这使得医生的工作负担也越来越重,尤其对于放射科医生来说大量的检查不但加重他们的工作量更会降低检查的准确率。而医学影像技术的迅速发展,使人体各部位的观察更直接、更清晰,这为医学影像的计算机辅助诊断提供了更优厚的条件。本文在前人研究的基础上,对乳腺X射线影像完成了以下工作:1.针对乳腺X射线影像中对可疑的病灶区域的选取以及检测问题,本文提出了一种基于多尺度空间金字塔集成的乳腺X射线影像中的肿块检测方法。首先,对目标影像进行多尺度切分处理,当得到各个尺度的子图像块后,对子图像块提取特征,输入进选好的分类器中对数据进行分类,最后将分类器输出的结果采取集成操作,得到最终的可疑病变区域,方便后续精确检测。2.在本文第一部分运用了多尺度划分对整幅图像进行切分后,含有肿块的区域相比于正常区域的子图像块数量上较少,这便存在数据不平衡的问题导致分类结果中出现假阳性,所以,为了降低肿块检测的假阳性,本章将多目标遗传算法引入到肿块检测中,本文提出了一种基于多目标遗传算法和空间金字塔的的乳腺X射线影像中的肿块检测方法。在对图像进行多尺度空间金字塔切分处理之后,提取每个切片的特征,再利用多目标遗传算法对初级特征进行特征选择,解决了乳腺X射线影像中可疑的病灶区域与正常区域存在数量不平衡的问题,并降低了肿块检测的虚检率。3.针对乳腺影像中可疑的病灶区域的特征与背景区域的特征的差异性不是很大,依旧基于第一个创新点,本文提出了一种基于深度卷积神经网络和空间金字塔的乳腺X射线影像中的肿块检测方法。我们深度卷积神经网络(CNN)引入到肿块检测中,并且结合多尺度空间金字塔,训练一个CNN络模型,让它学习到各个尺度子图像块的高级特征,实现了一种基于CNN网络和多尺度空间金字塔集成方法来解决乳腺影像中肿块的检测问题。