Meme kanseri son yıllarda kanser türleri arasında en çok yaygınlık gösteren kanser türüdür. Meme kanserinin teşhisi ve tedavisinde mamografi olarak bilinen X-Ray görüntüleme yöntemi yaygın bir şekilde kullanılmaktadır. Mamografi cihazları ile elde edilen mamogram görüntüleri radyoloji uzmanları tarafından incelenir, yorumlanır ve hasta ile ilgili rapor yazılır. Mamogram görüntülerinde uzmanlar öncelikle kitle tespit etmeye ve mikrokireçlenme (MC, Microcalcification) tespit etmeye çalışırlar. MC tespiti kitle tespitine göre gözden kaçırılma riski daha fazla olan bir durumdur. Yapılan araştırmalarda radyologların MC vakalarını tespit etmekte zorlandıklarını ve yüzde yetmişlik bir doğrulukla çalıştıkları ortaya koyulmuştur. Son yıllarda meme kanseri teşhisi alanında bilgisayar destekli tespit sistemleri geliştirilmeye başlanmıştır. Araştırmacılar mamogram görüntüleri üzerinde kitle tespiti yapan veya MC tespiti yapan yöntemler yaklaşımlar ve algoritmalar geliştirmektedir. Bu çalışmada MC bölgelerinin tespitini yapmak için makine öğrenmesi yöntemi kullanılarak bir çalışma yapılmıştır. Yapılan çalışmada gri seviye eş oluşum matrisi temelli doku analizi (GLCM, Gray Level Cooccurrance Matrix), dalgacık dönüşümü temelli ayrıştırma, iki boyutlu eşit genişlikli ayrıştırma (EWD2) ve çoklu pencere temelli istatistiki analiz (MWBSA) kullanılarak farklı özellik çıkartım yöntemleri ile MC desenlerinin karakteristik özellikleri sayısal yöntemlerle analiz edilmiş olup çok katmanlı ileri beslemeli yapay sinir ağı (MLPNN, Multiple Layer Percepteron Neural Network) olarak bilinen sınıflandırıcı ve destek vektör makinesi (SVM, Support Vector Machine) kullanılarak bir makine öğrenmesi yaklaşımı geliştirilmiştir. Çalışma sonuçlarının geçerliliği, tıbbi karar verme sürecinde bir testin ayırt ediciliğini belirlemek amacıyla kullanılan yöntemlerden biri olan Alıcı İşlem Karakteristikleri Eğrisi (ROC, Receiver Operating Characteristic) yöntemi kullanılarak yapılmıştır. Duyarlılık ve özgüllük testi olarak da bilinen bu test neticesinde aday mikrokireçlenme tespit aşamasında MLPNN sınıflandırıcı kullanılarak en iyi sonuç MWBSA yöntemi ile elde edilmiştir. SVM sınıflandırıcı kullanılarak en iyi sonuç ise EWD2 ve GLCM yöntemleri kullanılarak elde edilmiştir. Aday mikrokireçlenme bölgelerinin sınıflandırılması olan ikinci aşamada ise MLPNN sınıflandırıcı kullanılarak en iyi sonuç EWD2 yöntemi ve GLCM yöntemi kullanılarak elde edilirken SVM sınıflandırıcı kullanılarak yapılan deneylerde en iyi sonuç dalgacık dönüşümü yöntemi kullanılarak elde ediliştir. Çalışmanın sonunda MATLAB yazılım geliştirme ortamı kullanılarak grafik arayüze sahip BCDS ismi verilen MC temelli meme kanseri teşhis yazılımı geliştirilmiştir. Geliştirilen bu yazılım gelecekte üzerine yeni özellik çıkartım yöntemleri ve yeni sınıflandırıcı modelleri eklenebilecek şekilde dinamik bir yapıya sahiptir.