乳腺癌作为发病率占全身各种恶性肿瘤的7-10%的高危疾病正日益引起人们的重视,而预防与治疗这种疾病最好的办法就是开展乳腺x摄片的全民普查。由于我国人口与医疗人员比例严重失调,促使计算机辅助检测(CAD)成为现今重要的研究方向,通过计算机辅助医师进行x摄片的诊断。已有CAD检测方法中,尚存在漏检率高、特征提取冗余、计算复杂等问题,未能投入临床使用。本文为了提高基于单幅图像的肿块CAD检测性能,完成了以下三个方面的工作：(1)提出了三条基于医师诊断方法的判别条件用于去除明显的假阳性区域。在提取图像中肿块可疑区域的基础上,给出了肿块的圆形度、肿块大多独立存在、与乳腺边缘距离较大这三条基于先验经验的判别标准,通过区域筛选测试算法将不满足条件的可疑区域去除。测试结果表明,应用本判别标准,可将40%以上的假阳性区域去除,在减少了计算量的同时也大幅减少了这些区域对后续分类的影响。(2)提出了一种基于模糊集的分割方法。在肿块的分割问题上,针对以往的区域分割算法只能获得绝对边界,无法获得肿块周围发散性信息的问题,将模糊集概念引入区域生长分割算法,通过定义的隶属度函数赋予每一个像素点一个隶属度参数以表示该点从属于种子点的程度,有效的获得了肿块区域的详细边缘信息以及肿块对周围区域的浸润程度等参数。这些参数是判断肿块良、恶性的重要依据。(3)在保证低漏检率的前提下,减少了用于分类的特征向量的数量。针对现有的机器学习方法中,特征向量选择繁多、计算量大等问题,本文通过选取具有明确意义的三方面的参数来支持分类结果。它们包括体现肿块明显高于周围组织亮度的肿块区域平均灰度值和周围背景区域平均灰度、体现肿块外形特征的核心区域圆形度和边缘区域圆形度、体现肿块对周围区域浸润程度的隶属度分布。测试结果表明,分类取得了良好的结果,检测后的图像中平均仅有假阳性点1.1个,对于良、恶性肿块的识别率也达到80%以上。本文选择的特征参数可以较好地成为分类的依据,一定程度上解决了参数选择冗余的问题,在简化了计算的同时,获得了可以提供给医师参考的检测结果。本文共有图53幅,表9个,参考文献32篇。