با وجود پیشرفت های فراوان تکنولوژی در زمینه ی ماموگرافی در دو دهه ی اخیر، اما همچنان سرطان سینه قربانی های زیادی در بین زنان دارد. ماموگرافی یکی از روش های قابل اطمینان جهت آسیب شناسی سرطان سینه بوده است. در دهه ی اخیر، در بسیاری از کاربردها، ماموگرافی دیجیتالی جایگزین خوبی برای ماموگرافی معمولی شده است. لذا سیستم های آسیب شناسی توسط کامپیوتر کمک فراوانی در تشخیص سرطان سینه و وجود تومورهای سرطانی در تصاویر ماموگرافی به رادیولوژیست ها نموده اند. در این تحقیق، از تبدیلات موجک، کرولت و متعامد هسته جهت تشخیص سرطان سینه در تصاویر ماموگرام استفاده شده-است. در این بررسی، تشخیص سرطان سینه بر روی تصاویر ماموگرام دیجیتال از پایگاه داده ی mias صورت گرفته است. تبدیلات هندسی کرولت و موجک جهت استخراج ویژگی از تصاویر ماموگرام دیجیتال و تبدیل متعامد هسته که برگرفته از تبدیل متعامد خطی است جهت طبقه بندی تصاویر ماموگرام دیجیتال استفاده شده است. با استفاده از تبدیلات مالتی رزولوشن موجک و کرولت تصاویر ماموگرام به چهار سطح فرکانسی تجزیه شده اند. هر کدام از این سطوح فرکانسی حاوی جزئیات متفاوتی از تصویر ماموگرام است. میانگین و انحراف معیار برای هر سطح از تجزیه محاسبه شده است. با محاسبه ی میانگین و انحراف معیار در هر سطح تجزیه، یک بردار ویژگی 8×1 برای هر تصویر ماموگرام به دست آمده است. با به دست آمدن بردارهای ویژگی برای تصاویر ماموگرام، در مرحله ی بعد با استفاده از تبدیل متعامد هسته، تصاویر ماموگرام به سه کلاس نرمال، خوش خیم و بدخیم طبقه بندی شده اند. از آنجا که تبدیل متعامد هسته یک طبقه بند دو کلاسه است، لذا جهت طبقه بندی سه کلاس نرمال، خوش خیم و بدخیم طی دو مرحله از این طبقه بند استفاده شده است. در مرحله ی اول ابتدا تصاویر نرمال و غیر نرمال طبقه بندی شده و در مرحله ی دوم تصاویر غیرنرمالی که در مرحله ی اول به درستی تشخیص داده شده اند، دوباره به طبقه بند اعمال شده اند. با این روش تصاویر غیر نرمال به دو کلاس خوش خیم و بدخیم طبقه بندی شده اند. سیستم پیشنهاد شده در این تحقیق، با استفاده از روش cross-validation تست شده است. نتایج به دست آمده از این تحقیق نشان می دهد که روش پیشنهاد شده در این پایان نامه برای تشخیص سریع سرطان سینه در تصاویر ماموگرام از قابلیت اطمینان بالایی برخوردار است. به طوری که استفاده از روش پیشنهاد شده در این بررسی سبب به دست آمدن نرخ طبقه بندی بیشتری در مقایسه با روش های قبلی شده است.