乳腺癌作为中老年女性的致命肿瘤之一，早期检测、早期治疗是降低乳腺癌死亡率的关键。乳腺X线摄影是公认的诊断早期乳腺癌的方法，但医生阅读乳腺X射线片图像是一个耗时耗力的工作，误诊率和漏诊率较高。因而，出现了一些基于计算机图像处理和模式识别的乳腺癌系辅助诊断统，以帮助医生提高诊断的准确率。计算机辅助乳腺癌诊断和检测系统(Computer Aided Detection and Diagnosis，CAD)存在着假阳性率较高、特征优化不够好、分类精度不高等问题，围绕这些问题研究了乳腺区域的分割、乳腺肿块特征的优化、乳腺肿块的分类三个方面。针对分水岭分割的过分割和乳腺边缘区域灰度接近背景区域灰度的问题，提出了一种基于分水岭的乳腺分割方法。此算法首先利用2次Otsu分割算法得到乳腺的初始轮廓，然后计算标记的乳腺区域和背景区域，将原图像形态学梯度图中的标记区域的灰度置为0，最后使用分水岭分割的方法得到最终的乳腺轮廓。针对乳腺肿块特征的冗余和特征取值范围对分类影响的问题，设计了一种基于遗传算法的加权特征优化算法。此算法是应用遗传算法，以支持向量机的分类分数值作为适应度，将特征选择和特征权重计算同步进行，当特征权重小于某一阈值时，认为此特征没有分类能力，将被去除，其它不同的特征对应不同的特征权重，具有不同的分类贡献。针对乳腺癌CAD系统的样本数量较少和样本特征维数较大的问题，实现了支持向量机分类器(Support Vector Machine，SVM)。此分类器采用Platt提出的序贯最小优化(Sequential Minimal Optimization，SMO)实现。实验中的368幅图像选自南佛罗里达大学的乳腺图像数据库。使用十折交叉验证法和受试者操作曲线进行评估，得到的Az值为0.92，表明研究的方法具有较高的性能。