医学影像是筛查癌症病灶的主要手段,由于影像数量较多以及拍摄设备的差异,容易导致医生产生视觉疲劳以及漏诊和误诊。本文针对乳腺癌计算机辅助检测中存在的目标器官难以分割、感兴趣区域不易提取、有效病灶特征未被选择和分类算法不够精确等问题,提出了基于先验建模的计算机辅助乳腺钙化簇检测算法,具体的研究内容为：(1)针对目前乳腺软组织器官难以分割,且没有将图像本身具备的先验知识融入到图像分割中等问题,本文提出一种基于先验知识的软组织器官分割算法。利用基于边缘先验知识的套索模型对目标区域进行初始化,通过改进的Snake算法准确分割目标器官。实验结果表明：本文提出的方法能有效地解决CT图像中的目标组织器官分割问题。(2)针对目前感兴趣区域提取算法大都基于人工标记或半自动化人工标记,本文提出一种基于统计先验纹理模型的感兴趣区域提取算法。核心思想是对负包示例进行统计建模,获取平均模型,通过将平均模型与未知包中的所有示例进行距离的比较,从而得到病灶的感兴趣区域。在乳腺钙化簇上的实验结果表明：本文提出的方法,在没有人工标注感兴趣区域的情况下,可自动提取图像的可疑病灶区域,并保持较高的钙化簇检测率。(3)针对目前计算机辅助检测将特征选择与分类单独分开的情况,本文提出一种改进的基于LHs的自适应模糊神经网络算法。该方法不仅可以进行特征选择,也可以同时进行分类。实验结果表明：本文提出的方法将钙化簇检测的准确率提高了近2个百分点。综上所述,本文提出的基于先验建模的计算机辅助乳腺钙化簇检测算法,有效的提高了钙化簇检测的准确率,并可以成功的应用于计算机辅助检测系统中。