近年来，女性乳腺癌的发病率越来越高，导致乳腺癌成为一种最常见的恶性肿瘤之一。根据最新统计数据表示，美国女性患乳腺癌的概率在所有恶性肿瘤发病率中排名第一。并且根据对我国大城市女性的调查表明，乳腺癌同样是我国女性疾病中最常见的恶性肿瘤，且发病率有逐年上升的趋势。降低乳腺癌死亡率的关键是早期诊断和治疗。目前检查乳腺癌的最常用的方法是乳腺钼靶成像，但由于数据量的庞大以及早期乳腺癌的影像学特征不明显导致早期诊断变得十分困难。随着计算机和医学的发展，乳腺图像计算机辅助诊断成为一个重要的研究课题，它主要包括对肿块、钙化点和乳腺密度的研究。本文主要针对乳腺肿块检测以及乳腺密度估计进行研究。乳腺癌在乳腺钼靶图像上的一个主要表现是肿块，本文提出了两种基于Kmean的乳腺肿块检测方法。这两种方法的基本步骤都是：首先进行图像预处理，该阶段包括去除背景、标记、胸肌和噪声，以及乳腺分割和图像增强；其次利用Kmean方法找到感兴趣区域（ROI）；然后提取能够表征肿块的特征（纹理特征和形态特征）；最后根据提取到的特征将肿块和正常组织分离开来。两种检测方法的不同之处是：在最后一步分类的时候第一种方法用的是根据形态特征的阈值对ROI进行分类，而第二类方法则采用的是支持向量机分类器（Support VectorMachine，SVM）对ROI进行分类。乳腺癌在X线图像上的另一个表现是乳腺密度较大。本文提出了一种基于全局的乳腺密度的估计方法，该方法相对于传统方法的创新是特征的提取以及分类器的选取。所选的特征是乳腺区域内均匀块的l级直方图，而分类器采用的是ELM分类器。