乳腺肿瘤超声图像的计算机辅助分析对准确判别乳腺肿瘤的良恶性具有重要意义。本文以乳腺肿瘤的灰阶超声图像为研究对象，通过分析比较良恶性肿瘤的超声图像特征，实现对乳腺肿瘤良恶性的计算机自动判别，从而为医生的临床诊断提供有价值的参考意见，以提高乳腺癌尤其是超声图像表现不典型的乳腺癌的诊断准确率。 本文的研究内容主要由三部分构成：超声图像中乳腺肿瘤的边缘提取；乳腺肿瘤的超声图像特征提取和乳腺肿瘤性质的分类判别。 在乳腺肿瘤的边缘提取部分，本文首先提出灰度阈值分割和动态规划相结合的边缘提取算法，其基本思想为：先采用灰度阈值分割法提取肿瘤的初始边缘，再引入动态规划法对初始边缘进行修正从而得到更为精确的结果。之后本文针对实验中发现的问题，提出对ROI预处理和肿瘤后方回声补偿校正的改进，并针对存在弱边界或肿瘤内部灰度分布动态范围较大的超声图像，提出了基于小波分析的初始边缘提取算法。实验表明，对这两类图像采用小波分析法提取的初始边缘在准确度上要明显优于灰度阈值分割的提取结果，因而也能为后续的动态规划提供更为接近肿瘤真实边缘的初始边缘定位。 在乳腺肿瘤的特征提取部分，本文以乳腺肿瘤的超声图像特征为基础，结合图像处理中的常见特征描述参数，对乳腺肿瘤进行了形态和纹理特征的提取。前者以傅里叶描述子的度量、紧致度、针状化程度、纵横比等为代表，着重反映了良恶性肿瘤在外观形态上的差异；后者主要考察良恶性肿瘤在边界回声和内部回声特性方面的差别，主要特征有边缘锐度、肿瘤内部和环形边缘区的方差和信噪比、基于灰度共生矩阵的系列参数以及基于小波分解的特征参数等。本文通过比较良恶性肿瘤的特征参数，得出形态特征参数比纹理特征参数具有更好的类间区分度的结论，并对造成纹理特征参数类间距小的原因进行了分析。 在乳腺肿瘤的分类判决部分，本文选择BP神经网络作为分类工具，而在特征参数的选择方面则采用了基于特征类间距的初次筛选、基于形态特征的二次筛选和基于形态和纹理的综合评判的三次筛选，最后将特征筛选过程中获得的具有最优分类能力的特征组合，即“5个形态特征+主元分析降维的纹理特征”作为最终的乳腺肿瘤特征参数向量。 采用基于以上三部分内容构建的乳腺肿瘤良恶性判别系统，对临床采集的168例乳腺肿瘤的超声图像(其中良性8l例、恶性87例)进行测试，其分类准确率为97．62％，敏感性为100％，特异性为95．12％，阳性预测率为95．56％，阴性预测率为100％。实验结果显示，该系统对乳腺肿瘤的良恶性具有较高的判别能力，有望为临床诊断提供有价值的参考意见。