乳腺癌是严重危害女性身心健康的常见、多发病,其早发现和早诊断是制定正确治疗方案、提高患者生存率的关键。基于动态增强磁共振成像(Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI)的计算机辅助诊断(Computer-Aided Diagnosis,CAD)技术为实现上述目标提供了良好平台。本文系统研究CAD整体框架,根据DCE-MRI特点分割乳腺病灶,提取并分析其动态增强特征、纹理特征和形态学特征,经特征选择后设计分类器实现良恶性分类。主要工作如下：第一,基于临床知识和建模需要的指导对病例数据进行分类整理,并讨论大津律法和水平集方法的病灶分割效果。结果显示,大津律法能够满足快速实时的乳腺病灶分割要求。第二,针对乳腺病灶特征复杂、诊断需综合多方面信息的特点,本文着重进行特征分析研究。首先,由于以往研究中时间强度曲线(Time Intensity Cureve, TIC)测绘方式不明确,本文提出了基于区域的生成方法。该方法在一定程度上削弱呼吸等运动引发的时相形变,能提供较准确的动态增强特征,且某些情况下本文方法比设备自带TIC可靠。其次,本文通过分析病灶的动态增强、纹理和形态学特征发现：动态增强特征的良恶性分类能力较好。针对特征存在冗余的问题,本文以类内类间距离准则为标准进行特征选择,发现结合紧致度、基于纹理特征的熵等9维特征组合的分类性能较好,可为乳腺CAD系统的特征选取提供参考。第三,针对乳腺病灶良恶性CAD系统中的分类器设计问题,本文比较了目前研究中常用的支持向量机(Surpport Vector Machine, SVM)分类器、人工神经网络(Artificial Neural Network, ANN)分类器、K紧邻(K Nearest Neighbors, KNN)分类器和回归树分类器。实验结果显示：结合前面选出的9维DCE-MRI图像特征,SVM分类器对于乳腺病灶良恶性的诊断性能最好。这有助于开发乳腺病灶CAD系统,辅助提高医师的诊断效率。最后,搭建了基于DCE-MRI的乳腺良恶性CAD平台,以便开展后续研究。