乳腺癌是最普遍的癌症之一，是导致女性死亡的第二大癌症，它严重影响着女性的身心健康。由于成本低廉、性价比高的原因，超声成像技术已成为检测乳腺癌的重要手段。为了帮助医生提高超声乳腺癌诊断的正确率和客观性，并且降低恶性肿瘤错分的概率，越来越多的乳腺计算机辅助诊断（CAD）系统被广泛使用。但是大多的CAD分类结果很难被医生理解和接受，所以乳腺超声CAD系统在应用上存在局限性。如何使医生更易接受并认可CAD系统对乳腺超声图像的分类结果是一个亟待解决的问题。传统的乳腺超声CAD系统仅仅是在计算机提取的低级特征，如形态学、纹理和基于模型等特征上进行分类。然而，医生将BI-RADS标准作为判断乳腺肿瘤良恶性的重要依据。BI-RADS标准里的描述特征可以作为高级语义特征，它结合了人类的视觉特征和对图像的理解。在这里，只选取良恶性预测率最高的三个BI-RADS标准里的特征：形状、方位和边界。在低级特征和高级语义特征之间存在着很大的“语义鸿沟”。为了解决“语义鸿沟”问题，使用SVM作为映射方法将低级特征有效的映射到高级语义特征上。然后使用C4.5决策树在映射后的高级语义特征上进行分类。实验表明在高级语义特征上的分类效果高于直接在低级特征上的分类效果。针对有些样本在这三个高级语义特征上良恶性表现不明显的情况，提出最小分类风险模型并结合纹理特征来辅助分类，进一步提高分类正确率。该模型考虑了错分良恶性样本的不同代价，既能保证较高的准确率，又能保证较低的错分代价。通过实验验证，使用最小分类风险模型对高级语义特征和纹理特征联合分类所得的分类结果更加符合人类理解，分类正确率也有明显的提高。