乳腺癌是一种女性常见多发病,病变的早期检出与诊断是降低疾病死亡率的关键。相较于传统影像扫描技术,动态对比增强核磁共振成像(Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI)凭借其较高的软组织分辨率,成为乳腺癌筛查的重要手段之一。核磁扫描过程中产生的大量图像,提供了病变丰富的四维增强信息,然而同时加重了影像医师的阅片负担。因此,旨在应用医学图像处理与模式识别手段,辅助医师进行快速有效地诊断的计算机辅助诊断(Computer-Aided Diagnosis, CAD)技术应运而生。本论文旨在借助图像分解以及配准技术,解决DCE-MRI中正常组织和异常组织混叠和呼吸引起的非刚性形变问题,以提高CAD系统判别乳腺病变良恶性的准确度。为实现该目的,本论文提出了基于全变分理论的分解算法(Decomposition Algorithm Combined with Total Variation, DC-TV),该算法基于对比剂在不同组织内扩散的差异,分解混叠DCE-MRI,获得纯净的异常组织增强的结构图像以及时间一致性的正常组织纹理图像,为后续准确的病灶诊断和解决伴有灰度变化的DCE-MRI非刚性配准提供了保障。本文主要工作如下：(1)DCE-MRI分解模型：借助对比剂在不同组织内扩散的差异,建模异常组织增强的空间连续性以及正常组织增强的时间一致性,区别于现有图像分解模型,首次提出在双重约束下分解混叠DCE-MRI的DC-TV分解模型,将原始DCE-MRI分解为结构图像和纹理图像两部分。为实现上述工作,本文首先利用偏移场校正以及动态阈值分割模型实现病例位移的量化评价；其次,基于所提出的DC-TV分解模型对无明显位移的95个临床病灶图像序列进行图像分解,获取纯净的异常组织增强图像；最后,使用多种评价参数分析分解结果。实验结果表明,经过DC-TV分解处理,可以得到具有时间一致性的纹理图像。对分解得到的结构图像做分类识别,相对于原始图像而言,会得到更符合三时间点(Three-Time-Point,3TP)准则的时间-增强曲线(Time Intensity Curve, TIC)和更有效的良恶性分类结果。(2)乳腺DCE-MRI配准：针对存在明显非刚性形变的乳腺DCE-MRI进行配准。该问题属于伴有灰度变化的非刚性配准,是配准领域的难题。本论文在DC-TV模型的启发下,提出原始DCE-MRI中正常组织和异常组织的分离,继而利用灰度一致性的正常组织纹理图像做非刚性配准,可以得到准确的位移形变场,继而实现原始图像以及结构图像的校正对齐,解决了现有DCE-MRI配准中出现的病灶扭曲等问题。实验选取数据库中位移形变明显的18个病灶样本进行实验,使用互信息、相关系数和均方差等评价参数,量化分析实验结果。结果表明,利用具有时间一致性的纹理图像获得的位移场对原始DCE-MRI形变校正,能够解决现有多数算法遇到的灰度差异引起病灶扭曲的问题。相较于原始DCE-MRI和结构图像,对经过配准校正后的结构图像生成TIC及特征提取,动态特征的良恶分类效果得到显著提高。