近年来,随着计算机技术与图形图像处理技术不断结合与发展,计算机辅助诊疗在医生对疾病的诊疗与判断中日益彰显出重要的地位,成为国内外医学领域的重要研究方向之一。本文对其中乳腺X线图像的高效分类方法进行了深入地分析、研究和实验。主要研究工作如下:首先,在传统词袋模型的基础上,提出一种基于最大频繁项集的视觉词袋(MFI-BOVW)表示方法,该方法赋予视觉单词空间与语义信息,在一定程度上提高同类别图像视觉单词直方图的相似程度,而使不同类别的差异更为显著。运用这种改进方法在MIAS乳腺图像集中进行实验,实现病灶图像和正常图像的初步分类并得到可疑病灶区域。其次,在传统关联规则分类算法CMAR的基础上,综合考虑规则属性重要程度与提升度的影响,提出了一种适合医学图像的关联分类的改进算法SR-CMAR。在可疑病灶区域初步分类的基础上,使用改进算法分类判决可疑图像区域。实验结果表明,改进算法可在有效提高分类效率的同时确保分类的精确度。本文结合国内外相关学者的研究成果,在对医学图像预处理和特征提取后,利用词袋模型和关联规则算法对医学图像中的乳腺X线图像进行病灶分类实验,验证了基于词袋模型和关联规则的方法在乳腺X线图像的分类中是有效可行的,并且在分类的基础上能够定位大致的病灶区域。