乳腺X线图像分析是乳腺癌早期诊断最重要的技术之一。但如何在X线图像中识别良性和恶性微钙化簇仍然很难。计算机辅助医疗诊断(CAD)系统可以为放射学专家识别微钙化簇提供帮助,它通常包括三步:预处理、特征选择和分类。本文将代价敏感的思想融入特征选择与分类,构建了一个三步CAD系统。本文做了以下工作:1、提出了代价敏感的选择性集成(CSSE)算法,并将其运用到特征选择阶段。由于预处理阶段得到的特征之间可能存在冗余及不相关信息,而这些信息对诊断通常会有负面作用,因而,特征的选择变得尤为重要,它不仅减少了特征的个数,降低了诊断消耗的时间,更重要的是能提高诊断性能。研究者已提出了众多的特征选择方法,但这些方法通常忽略了乳腺癌诊断中特征选择的代价敏感问题,事实上,在微钙化诊断中,不同的特征对诊断具有不同的贡献,这导致它们对诊断的代价不尽相同。基于以上观点,本文提出了CSSE,它可根据不同的代价因子自动选择出有效的微钙化特征。实验结果也进一步显示CSSE的确能够选择分类能力更强的特征子集。2、我们设计了一个代价敏感乳腺癌自动诊断系统。由于恶性微钙化的误诊代价要高于良性微钙化的误诊代价,原始的三步系统难以很好的适应这个要求,因而本文在原系统中全面引入代价敏感学习,分别在第二步使用代价敏感的选择性集成,第三步使用代价敏感支持向量分类器(CSSVC),以获得更为令人满意的系统性能。我们在国际标准数据集DDSM和实际应用中采集的中大医院数据集上进行了实验并对结果进行了比较分析,发现CSSE算法的性能优于不引入代价敏感的选择性集成(SE)算法;进一步实验表明,和其它系统相比较,我们设计的代价敏感乳腺癌诊断系统在诊断性能方面具有一定的优势。