据癌症统计调查报告显示,乳腺癌在女性的恶性肿瘤新发病例中高居首位,并呈逐年上升的趋势,已成为危害女性健康的头号杀手,及早发现和诊断是预防乳腺癌最为有效的方法。面对大规模乳腺癌普查工作的复杂性,以及医生们能力经验和评判标准存在差异性,计算机辅助检测系统被设计并广泛应用,其目的在于快速检测出可疑病变区域,辅助医生做出诊断决策,进而提高乳腺癌患者的存活率。面对乳腺X线图像中肿块的复杂度和模糊性,设计一种检测性能优异的肿块实时检测系统至关重要。为此,本文通过研究乳腺肿块的病理学特性,结合传统机器学习和深度学习等方法,自动检测并标记出可疑肿块区域,从而科学地辅助医生做出更好诊断。本文以监督核哈希,对边缘、纹理和梯度信息敏感的特征,以及卷积神经网络CNN为基础,深入研究了乳腺图像中可疑肿块区域的检测方法,主要工作概括如下:首先,本文提出基于多特征核哈希的肿块快速检测方法。通过对乳腺肿块的病理学特征研究,对乳腺图像分别提取HOG特征、分层加权Gist特征和卷积神经网络CNN特征,在监督核哈希KSH算法构造的核空间中,将多种特征进行融合,实现一种适于较大数据库的肿块检测方法。该方法拥有强大的肿块信息表征能力,并且充分利用标签信息实现监督学习,提高肿块检出率。凭借哈希算法的高效性,基于多特征核哈希的肿块检测系统能够进行实时检测,大大提高了该系统的实用性。其次,本文提出多层核哈希算法框架。在监督核哈希KSH算法中,原数据空间通过构造核空间实现降维,而在降维过程中将损失大量的有用信息,降低了编码精度。为了解决单层次映射导致的信息损失问题,本文构建多层次非线性映射框架,结合监督信息和损失函数,将映射后的信息量损失降到最小,实现从原始数据映射到二进制编码的过程中,学习得到的哈希编码之间保持原始数据之间的相似性,损失信息量最小化。提高编码精度,进而提升基于多层核哈希分类方法的准确度。最后,本文提出基于深度核哈希的乳腺肿块检测方法。为了能更精准地描述肿块特性,进一步降低误检率,本文基于卷积神经网络CNN模型和多层核哈希模型,搭建深度哈希监督学习框架。该框架拥有强大的肿块信息表达能力、学习能力和分类能力,有效地解决了高维数据线性不可分的问题,实现肿块检测系统整体性能的提升。实验结果表明,本文提出的基于深度哈希的乳腺X线图像肿块检测方法,能够高效地实现肿块检测与标记,在保证误检率较低的同时,进一步提高肿块检测性能。