随着社会的发展和生活质量的提升,女性乳腺癌发病率呈逐年上升的趋势,已成为危害全球女性健康的第二大癌症杀手。计算机辅助检测系统旨在通过检测出可疑病变区域,辅助医生做出最终的诊断决策,从而提高乳腺癌患者的存活率和生活质量。肿块是乳腺癌主要表征之一,因此肿块检测是计算机辅助诊断中关键的步骤。由于肿块形态各异,乳腺图像尺寸庞大,设计一种普适于大数据库的实时肿块检测系统至关重要。为此,本文通过研究乳腺肿块的病理特性,结合人工智能、机器学习等方法自动检测并标记出可疑肿块区域并进行概率预测,从而科学地辅助医生更好的进行诊断。本文以哈希、基于内容的图像检索以及基于语义的特征为基础,深入研究了乳腺图像中疑似病变区域的检测方法。主要工作概括如下:首先,本文提出了一种基于哈希的肿块快速检测方法。通过对多种哈希算法的研究,将HOG特征与KSH算法进行结合,设计出一种普适于各种肿块类型和大数据库的肿块检测方法。该方法能有效的解决乳腺图像分类的线性不可分性,并且充分利用已有的监督信息提高肿块检出率。由于哈希算法的高效性,该方法能够实现计算机辅助检测系统的实时性,提高了检测算法的实用性。其次,为更准确描述出肿块特性,提出两种乳腺图像特征提取方法:成对多维度BoW和分层加权Gist特征。成对多维度Bo W对传统BoW模型进行多维拓展,结合肿块生长分布特性,实现将位置信息与局部特征信息融合;分层加权Gist特征对全局Gist特征进行分层细化,根据肿块延伸趋势,增强细节纹理特性。本文提出的两种特征提取方法能够有效的针对乳腺图像进行肿块特征描述。最后,为更好地辅助医生做出最终的诊断,提出了一种基于多特征融合哈希的检索分析方法,实现对可疑区域的概率预测与分析。该方法对肿块检测方法得到的可疑区域提取多种不同的特征,从不同角度对图像进行更全面的表达。为了更科学地辅助医生进行诊断,本方法引入图模型理论,得到基于多特征融合哈希的检索结果,构建概率预测模型,预测出可疑区域是肿块的可能性大小,降低检测假阳个数,实现检测系统整体性能的提升。实验结果表明,本文提出的基于哈希的快速病变区域检测与分析方法,能够更好地区分肿块区域与正常组织,在保证假阳性率较低的同时,提高肿块检测性能。