乳腺癌是全球范围内危害妇女身体健康的最常见恶性肿瘤之一。钼靶X线摄影是临床上乳腺癌检测的主要影像学方法,在降低乳腺癌死亡率上发挥了重要作用。随着我国经济的持续发展以及妇女防治乳腺癌意识的提高,钼靶X线检查在我国各级医疗机构中得到大量应用。由于钼靶摄影对乳腺癌的检出率大约为0.3%～0.5%,健康妇女每年都参加钼靶摄影检查是对社会医疗资源的浪费;其次,乳腺钼靶检查存在一定的局限性和危害,如假阳性结果和射线照射等。因此近年来钼靶摄影筛检的社会成本和有效性问题受到学术界的极大关注。为了减少不必要的钼靶普查或降低普查频率,对人群进行有效的近期风险评估是尤为重要的,即准确区分出高风险人群和低风险人群。本文基于乳腺钼靶图像,通过挖掘双乳不对称特征,并结合机器学习算法,构建近期乳腺癌风险预测模型。本文的具体研究内容和创新点如下:（1）乳腺钼靶图像的预处理。本研究对乳腺钼靶影像数据进行预处理工作,采用基于Canny边缘检测以及边界探测的方法来求出乳腺的最小外接矩形区域,很好的去除了X光钼靶影像的背景标记区域,减小背景干扰因素。采用基于图形学和区域增长的方法进行乳腺的胸肌分割,减小胸肌区域对研究的干扰影响。（2）挖掘双乳不对称特征。双乳不对称特征包括纹理不对称特征和深度不对称特征。纹理不对称特征主要提取三类特征:图像纹理特征、统计差异性特征和结构差异性特征。然后通过自主设计的深度网络模型,挖掘深层次的图像语义信息,提取双乳深度不对称特征。在提取完双乳不对称特征之后,采用设计的特征选择方法进行特征选择,提取对模型的判别能力帮助大的特征。并且在实验过程中,通过双视角的特征融合,增加了更多的图像信息,实验表明,双视角的融合的确可以提高模型的准确性和鲁棒性。（3）基于双乳不对称特征的近期乳腺癌风险预测研究。通过提取的双乳不对称特征以及机器学习算法构建模型。对比不同的机器学习算法,最后采用极端梯度提升（XGBoost）作为本研究的基础模型,构建近期乳腺癌风险预测模型。在实验中,通过将单视角特征和双视角特征分别构建模型,分析对比可以发现双视角的特征融合可以提高模型的整体性能。并且将深度不对称特征融入模型,可以进一步提升模型性能。通过使用双乳不对称特征,采用XGBoost分类算法构建预测模型,最终模型的准确率为0.712,精准度为0.708,召回率为0.81,F1值为0.756,AUC为0.718。该模型可以为乳腺癌高危人群的预防起到有效的指导作用,具有参考价值。