在女性癌症中,乳腺癌的发病率最高。早期诊断和治疗对于降低乳腺癌的发病率和死亡率非常重要。计算机辅助诊断系统可以有效提高乳腺癌的诊断准确性和诊断效率。但是,目前缺少对乳腺肿瘤不同检测特征之间的关系以及不同特征诊断价值的研究。此外,大部分机器学习算法需要人为设置参数,然而选择合适的参数是比较困难的。为了解决上述问题,本论文主要研究了如下问题:(1)利用贝叶斯网络定量分析乳腺癌超声检查与细针穿刺细胞学(FNAC)检查中不同特征的诊断价值,以及不同乳腺癌特征之间的关系。该研究结果表明:不同特征之间存在不同程度的影响;不同特征的诊断价值不同,在超声检查中,形态的诊断价值最高;在FNAC中裸核的诊断价值最高。(2)利用异常检测算法诊断乳腺癌,并研究基于水平集方法的异常检测技术,提出利用水平集方法诊断乳腺癌的方案。实验结果表明:K-means算法诊断超声检查的性能最好;K近邻算法诊断FNAC的性能最好。水平集方法描述数据的性能很好。(3)利用不同缺失数据处理方法处理两组乳腺癌数据中的缺失值。实验结果表明:当超声特征中存在缺失数据时,不同特征应该选择不同的方法处理;对于FNAC特征中的缺失数据,随机森林算法性能最好。此外,当数据缺失量越多,预测值与真实值的误差就越大,不同方法的性能越差。