计算机辅助检测与诊断系统可以帮助医生提高乳腺癌的早期发现率和诊断准确率。目前，辅助检测与诊断系统在肿块检测上的主要问题是灵敏度较低而假阳性较高，且只提示病变区域而不解释为何这些区域被标记出来的黑盒方式降低了医师对其提示的认可和信赖。一种新的基于图像内容检索的计算机辅助诊断系统被提出，其可以为待检测的感兴趣区域返回最相似的K幅带确诊结果的参考区域和相关的决策分数。相比于黑盒方式，其偱证过程清晰，能够让医师更好地理解辅助决策结论背后的依据。　　围绕基于图像内容检索的辅助诊断系统关键方法展开研究，其目的是提高系统的整体性能。研究内容主要包括：可疑肿块的分割、可疑肿块的特征提取、特征选择和分类等。最后通过系统的实验和分析验证所提方法的有效性。　　提出了两种分割算法对可疑肿块进行分割。第一种算法先利用模板匹配方法，将候选边缘点的范围限制在肿块的大致区域内；然后以此为基础计算区域内每个像素的由梯度代价、灰度代价以及结点间距离代价组成的综合代价，并使用粒子群优化方法计算代价各部分的权重；最后利用动态规划法寻找一条具有最小代价的路径，连接其上的点为闭合的曲线即为最终的目标轮廓。在第二种方法中，提出了一种新的加入区域信息的测地线轮廓模型，充分综合区域和边界两种信息，将基于边界的测地线模型和基于区域的Chan-Vese模型的优点结合起来。实验结果表明提出的两种分割算法要优于传统的动态规划方法、基于标记控制的分水岭分割算法等多种方法，其中所提的第一种方法的结果最接近于金标准。　　提出了三种新特征以及一种新的双阶段特征选择和权重确定方法。通过分析经典的欧式距离方法以及广泛使用的基于过滤器、封装器和混合式的特征选择方法存在的问题，在所提双阶段方法中，第一阶段利用遗传算法选出初始的候选特征集；在第二阶段中，由可以确定特征权重的遗传算法进一步确定优化的特征集及对应的权重。　　提出了一种同态集成分类器的分类方法。在分类器设计中，考虑到不同类型的肿块需要用不同的特征及权重去刻画，充分利用乳腺X线摄片源数据库中提供的确诊肿块的轮廓性质为先验知识，以及前述的双阶段特征优化方法，建立精确的针对不同类型肿块的基分类器，最终将这些具有差异化特性的基分类器综合为一种精确的集成分类器。　　对所提特征优化和权重确定方法、新特征及集成分类器方法使用美国南佛罗里达乳腺数据库的数据进行测试，计算了相应的受试者操作特性曲线下面积值(Az)和显著性水平P值。实验结果证明了所提特征优化方法、新特征以及集成分类器的有效性。使用集成分类器后，系统的分类性能相比单分类器方法得到了较大的提升(Az值从0.8478?0.0088提升到0.8927?0.0073)，为系统的临床应用奠定了良好的基础。最后对整个工作进行了总结，并展望了可以进一步开展的工作。