在乳腺病理分析工作中，病理医生经常分析大量乳腺导管增生和导管原位癌病理图像。乳腺导管增生表现为导管腺上皮细胞和肌上皮细胞大量增生，乳腺导管原位癌表现为导管腺上皮细胞克隆性增生，两者的差异非常不明显，因此，构建定量的计算机辅助系统自动诊断乳腺导管增生和导管原位癌病理图像非常重要。　　针对乳腺增生和乳腺导管原位癌中细胞核在形态、分布存在差异性，本文提出针对乳腺导管增生和乳腺导管原位癌的多层预测稀疏表示分类算法。首先构造两层稀疏表示，然后与显著性特征结合进行池化，其次将池化后的特征进行空间金字塔表示，最后运用线性支持向量机分类。实验结果表明，提出的方法在20张乳腺导管原位癌图像和20张乳腺导管增生图像中分类准确率达到79.85％和76.32％。　　由于多层预测稀疏表示算法在提取特征和分类时相互独立未考虑类标信息，因此本文提出了多特征监督字典学习分类算法。对两类乳腺病理图像提取多种特征作为字典学习输入，将字典学习与二分类分类器联合构造以缩小分类误差为目标的损失函数，并实现字典和分类器的联合优化。本文针对乳腺增生和乳腺导管原位癌共提取四类特征:1）细胞核形状和空间分布特征:首先通过深度卷积神经网络进行细胞核检测，进行细胞轮廓拟合，提取细胞核轮廓、长轴短轴等统计信息;2）纹理特征:提取多种纹理特征;3）SIFT特征和4）SURF特征:逐像素点提取具有旋转不变形的特征算子，并采用词包模型，进行特征拼接。在两个乳腺病理图像数据库共498张乳腺病理图像中，多特征联合监督字典学习在MGH数据库中四类特征结合最高平均分类准确率达89.65％，BIDMC数据库中四类特征结合最高平均分类准确率达92.15％。