چکیده: سرطان سینه شایع ترین نوع سرطان و دومین عامل مرگ و میر ناشی از سرطان در میان بانوان می باشد. در حال حاضر ماموگرافی یکی از بهترین روش های تشخیص زود هنگام سرطان سینه است. بیشترین ناهنجاری ها که ممکن است در سرطان سینه آشکار شوند، توده ها و میکروکلسیفیکیشن-ها(MCها) می باشند. ناهنجاری های سینه با دامنه وسیعی از ویژگی ها معرفی می شود. مطالعات نشان می دهد 15-30 درصد سرطان های سینه، ممکن است به آسانی توسط رادیولوژیست هایی که تصاویر را می خوانند، نادیده گرفته شود. با پیشرفت هایی که در زمینه پردازش تصاویر دیجیتال به وقوع پیوسته است ردایولوژیست ها این فرصت را یافته اند که این درصد خطا را کاهش دهند. برای کمک به رادیولوژیست ها جهت تشخیص دقیق بیماری سامانه های شناسایی پزشکی(CAD) توسعه یافته اند. یک سیستم تشخیص در حالت کلی شامل مراحل پیش‎پردازش، استخراج ویژگی و کلاسه‎بند است. در این پایان نامه دو روش جهت تشخیص MCها از تصاویر ماموگرافی پیشنهاد شده و کارایی این روش ها در مقایسه با روش های موجود ارزیابی شده است. در هر دو روش پیشنهادی، پس از پیش پردازش تصاویر ماموگرافی، با استخراج ویژگی های بافتی حاصل از ماتریس هم رخداد (GLCM)، اقدام به دسته بندی افراد با طبقه بندهای ماشین بردار پشتیبان (SVM) و شبکه عصبی می نماییم. در نهایت در روش پیشنهادی دوم، با انتخاب ویژگی های بهینه با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) و کلاسه بند ماشین بردار پشتیبان، بهترین نتیجه را در تشخیص MCها در تصاویر ماموگرافی بدست می آوریم .