随着超声成像成为乳腺癌早期筛查的主流手段,基于超声乳腺肿瘤图像的计算机辅助诊断技术越来越受到科研学者和临床专家的重视。然而,目前大多数超声乳腺肿瘤分类方法都依赖于低级图像特征,其诊断过程不能被医生理解。这类基于低级图像特征的方法十分依赖图像质量,在处理不同超声设备采集的图像时,无法保证性能的可靠性。此外,在超声乳腺肿瘤分类问题中,带有标注的样本稀缺,而目前大多数方法都无法在少量标注数据集上取得足够好的效果。这些问题一定程度上限制了超声乳腺肿瘤分类方法在临床中的应用和推广。本文针对这些问题提出了三种具有较高可解释性的超声乳腺肿瘤分类方法。本文先利用BI-RADS特征打分方案和决策树算法,建立便于人类专家理解的乳腺肿瘤分类模型,极大的缩小了专家与计算机间的语义鸿沟。然后,在这一工作的基础上,提出半监督决策树算法,利用支持向量机分类超平面设计了伪标签机制,挖掘无标注数据信息,降低模型对有标注数据的依赖。最后,本文基于双聚类算法与模糊推理提出了一种模拟人类专家诊断思路的超声乳腺肿瘤分类方法。方法利用双聚类挖掘诊断模式,基于诊断模式构建诊断规则,利用模糊推理方法对超声乳腺肿瘤进行分类,在保证分类性能的同时,进一步提升了模型的可解释性。这三种方法均引入了专家评分机制,特征提取不受图像质量的限制,可用于不同的超声设备采集的图像。本文使用1488例超声乳腺肿瘤数据对提出的三个方法进行了验证。实验表明,本文提出的方法相比同类型方法具有更高的准确率、敏感度和阳性预测值,能够为临床医生的诊断提供帮助。