乳腺癌是女性最常见的一种癌症，其死亡率仅次于肺癌，调查表明乳腺癌的早期检测能有效地提高它的治愈率。过去几十年，人们一直致力于计算机辅助自动检测和诊断乳腺癌方法的研究，以帮助专业医生进行早期检测与诊断。肿块和钙化点簇是乳腺癌的两个最重要的特征。和钙化点簇相比，肿块的形状，大小，边缘变化多样而且肿块经常和周围的正常组织夹杂在一起。由于这些原因，计算机辅助的肿块检测仍然是一个具有挑战性的问题。 本文针对数字乳腺图像中现有肿块检测方法存在的问题进行了研究，分别提出了一种基于神经网络集成检测针状肿块的方法，一种基于代价敏感决策树集成快速检测肿块方法和一种基于代价敏感cascade结构检测肿块的方法，最后基于这些研究成果实现了一个计算机辅助乳腺肿块检测系统。 具体的研究工作和成果包括： 1． 作为一类典型的肿块，针状肿块的边缘呈辐射状，因此边缘的梯度和梯度方向变化相对于正常组织区域呈现不同的特征，根据这一特征本文提出了一种利用Bagging技术的神经网络集成方法来检测针状肿块，实验表明该方法能有效地检测出针状肿块。 2． 现有的肿块检测方法一般被设计来处理单幅或少量的图像，不能在高敏感性的要求下快速地同时检测各类肿块。为了能够适应快速处理大量图像同时在低漏检率的情况下尽可能多地去除正常图像的要求，本文提出了一种基于代价敏感决策树集成检测方法。该方法应用了一种的新的纹理特征，计算量小，可以快速判别乳腺图像中肿块的有无。实验结果表明在敏感性高于96％的情况下，可以排除掉20％的正常图像。 3． 针对现有基于区域和基于像素的肿块检测方法的缺点，本文提出了一种代价敏感的cascade结构来检测肿块。该方法避免了传统的基于区域方法通过分割技术检测可疑区域困难的问题和基于像素方法计算量大以及肿块边缘的像素点在训练时难以判断是作为正样本还是反样本的问题。实验结果表明该方法的性能和现有的方法相比有了较大的提高，可以用来进一步帮助专业医师进行辅助诊断。 4． 基于上述研究成果实现了一个计算机辅助自动检测癌系统，在Visual C++环境下实现了该系统。