红外热图乳腺癌检测是依据人体乳腺癌异常部位的热特征，利用红外热图分析和模式分类方法，检测、定位和识别乳腺癌的一种早期疾病筛查与诊断新技术，具有直观、无损和能预测“未病”等优点，可用于乳腺癌和疼痛疾病等常见疾病的筛查和辅助诊断。然而在临床应用中，人体红外热图不仅几何与灰度分辨率较低，而且，受成像环境和个体变化的影响，使得红外热图的类间差异较小，类内差异较大，导致乳腺癌检测与分类的精度较低、假阳性率高。因此，如何准确、可靠地检测和识别乳腺癌部位的稳定不变特征仍是红外热图乳腺癌早期筛查与诊断技术研究的热点和难点。　　本文通过计算原图和差图本身以及他们的纹理特征的信噪比（SNR）发现，差图纹理特征的SNR是图像本身SNR值的5.83866倍，较大的SNR值代表更大的类间差异和更小的类内差异，说明差图像纹理特征对于红外乳腺癌分类问题具有良好的稳定性，因此本文提出了一种基于差图像共生矩阵纹理特征的分析方法。首先利用红外热像图与基准热图（健康乳腺的平均图）相减得到差图，增大类间差异，然后对差图提取6个灰度共生矩阵特征与5个灰度游程矩阵特征。最后，对94幅乳腺红外热图做分类试验。利用SVM对差图纹理特征进行分类试验，分类的准确率为73.4%，比直接对原图纹理特征进行分类，准确率提高了10.6%，体现了差图纹理特征具有更强的可分性。　　对于SVM分类时特征间互相干扰影响分类性能的问题，本文采用AdaBoost集成学习方法，通过改变权值达到特征选择的效果而不丢弃特征，在提高分类性能的同时具有良好的泛化能力。用基于SVM的AdaBoost对差图纹理特征做分类试验，分类准确率进一步提高为87.2%。与现有文献中提到的两种方法对比，差图像纹理特征和基于SVM的AdaBoost分类器也显出了更加优越的分类性能。　　鉴于深度学习可以发现并刻画问题内部复杂的结构，找到比传统机器学习方法更稳定合适的特征，以及学习方法对其他疾病的可迁移性，本文尝试使用基于深度特征学习的小样本红外乳腺癌检测方法。采用数据增强、迁移学习、半监督阶梯网络等方法克服样本不足的问题。对94个有标签样本进行分类试验，针对ImageNet对红外图片迁移性不足的问题，换用乳腺MRI数据对改进的VGG16模型预训练再迁移到红外图片上并微调得到了79.13%的分类精度；增加570个无标签数据以后，使用半监督阶梯网络在batch Normalization的帮助下，在测试集上得到了89.55%的分类精度。　　本文提出的对红外差图进行乳腺癌检测的AdaBoost集成学习方法，提高了现有算法的分类性能并具有良好的泛化能力。此外，提出的小样本深度学习方法获得了更好的分类精度，并且所学模型对其他疾病的红外筛查也具有良好的迁移价值。对摆脱目前乳腺癌红外热图筛查中依赖专家读图的限制具有重要意义。