目前,乳腺癌已在很大程度上严重威胁着女性的生命健康,成为全球女性患病率和癌症死亡率最高的慢性肿瘤疾病。前期对乳腺癌的预防及检测,能够有效提高其治愈率,延长患者的存活时间。医学影像法是实现乳腺癌前期普查和诊断的有效手段,医生可以直接观察钙化点进行疾病的诊断,但是在人工进行钙化点检测时会存在着误诊和漏诊的情况。随着计算机辅助诊断技术（Computerized Aided Diagnosis,CAD）的普及,乳腺疾病的普查和诊断日益便捷,然而大部分钙化点检测算法的准确率还有待提高。在乳腺X线图像钙化点自动检测的研究中,钙化点的精确分割是实现后续钙化点检测的关键。本文以乳腺X线图像为研究对象,利用全连接脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）对乳腺图像进行分割,基于钙化点分割图进一步提取钙化点的形状、灰度和纹理等12个特征,然后基于这些特征利用深度神经网络（Deep Neural Network,DNN）实现了钙化点的良恶性分类。本文主要工作如下:1.基于全连接PCNN实现了乳腺X线钙化点图像的分割。通过对PCNN模型的参数进行研究和调整,提出了一种基于全连接PCNN的乳腺X线钙化点图像分割方法,得到了乳腺钙化点的最佳分割图,并运用连通域滤除方法对非钙化点区域进行滤除,进而确保后续钙化点检测的准确性和可靠性。2.基于模糊C均值（Fuzzy C-Means,FCM）算法实现了钙化点的聚类,进一步提取了钙化点的12个特征。通过在已聚类的乳腺X线钙化点簇图像上进行形状、灰度和纹理等特征的提取,分别计算出钙化点的数量、钙化簇的面积和长宽比、钙化点占钙化簇面积的比例等形状特征,钙化点的灰度最大值、灰度最小值、灰度均值、灰度方差等灰度特征以及能量、熵、对比度、相关系数等纹理特征。3.基于深度神经网络实现了钙化点的良恶性分类。通过大量实验,分析了乳腺X线钙化点图像的鉴别诊断效果,实验结果表明本文方法与人工标记的钙化点诊断结果基本趋于一致,在疾病诊断上具有较高的敏感度、特异度,同时也有着较低的假阳性率,从而能够帮助医生及时进行乳腺癌的检测和诊断,在临床医学中存在一定的实用意义。