乳腺微钙化点包含众多属性，由于其中存在的冗余和不相关属性降低了微钙化点病变类型判别的性能。因此，特征子集选择问题成为微钙化点病变类型识别中的重要问题。该文针对传统优化方法用于特征选择的种种缺陷，提出了基于遗传算法的特征子集选择测算法。经乳腺微钙化点特征选择实例分析，证明该方法拥有较强的并行性和寻优能力，在特征选择领域有广阔的应用前景。关 键 词 微钙化点; 特征子集; 遗传算法; 特征优化乳腺钼靶X片上微钙化点病变类型的判别是一个典型的模式分类问题[1]。模式识别的任务是利用从样本中抽取出的特征将样本划分为相应的模式类别。特征向量中只有包含足够的类别信息，才有可能通过分类器完成无差错的模式分类。由于难以确定特征中是否已包含足够的类别信息，为了提高识别正确率，尽可能地增加特征数目以进行类别识别。但受分类器规模、训练过程的复杂性以及计算机容量等诸多因素的制约，过于庞大的特征维数往往不能取得良好的效果，因此需要采取措施，在不降低识别效果的前提下尽量减少特征维数。为了提高识别精度，在设计分类器前，必须去除两类冗余特征量：(1) 与分类目标无关的特征量；(2) 与其他特征量有较高相关性的特征量，即从一组数量为D的特征中选择出数量为d(D>d)的一组最优特征来，使得分类错误率最小。为此需要解决两个问题：(1) 选择的标准，即采用何种类别可分离判据；(2) 采用何种寻优方法来解决这一组合优化问题。围绕以上两个问题，本文采用类内－类间距离判据作为类别可分离判据，以遗传算法求解最优化的特征矢量。