乳腺癌是妇女常见恶性肿瘤之一,早期诊断和早期治疗是降低乳腺癌患者死亡率的关键。微钙化是乳腺癌早期的一个重要标志,微钙化点在乳腺X线影像上表现为独立或成簇分布的亮点,由于乳腺钙化点自身的特点,比如,微小、和背景的对比度不高、形状不规则、分布不均等等,从而使精确检测出钙化点非常困难。随着公众对乳腺癌越来越关注,大规模乳腺癌普查工作已开始实施,由此产生的大量X光片对检测与诊断带来了相当的压力,因此提高乳腺X光片中微钙化点检测的效率成为我们迫切需要解决的问题。现有多种方法能用于检测钙化点并各有优缺点,其中典型的高斯-拉普拉斯算子(LOG)是有效方法之一,尽管其能较精确地检出钙化点的位置但检测效率低。为了提高检测速度,有很多学者把不同的算法级联在一起或对同一算法采用多尺度检测,但如何级联都有一定的盲目性,所以现有算法都无法满足大规模普查的高效率要求。在本文中,我们研究了不同算法的级联或同一算法的多尺度级联的一般理论。首先,我们通过合理的假设建立模型;然后我们求解模型推出算法级联的理论。根据该理论我们提出了在检测阶段的快速高效的检测钙化点算法和对整个乳腺图像的实时高效的钙化点检测算法。在南京中大医院乳腺病数据集上,平均每张图的处理时间为5.0137秒,从而实现了钙化点检测的实时处理。目前机器获取的乳腺X线照片的分辨率都很高,而且单点象素的深度较大。例如本文中所使用的试验数据,其分辨率是2294×1914象素,单点象素的深度是16比特。随着大规模乳腺普查工作的实施,为了方便患者的复诊,需要保存相应的图片,因此,对乳腺图像进行压缩是解决这种大规模数据的传输和存储的基本手段之一。在本文中,我们基于ROI (Region of Interest),利用局部K-L变换和线性SPIHT编码算法实现了对乳腺图像的高质量的压缩。