特征表達和分類器的性能是決定計算機輔助診斷（CAD）系統性能的重要因素。為了提升基于超聲成像的乳腺癌 CAD 系統的性能，本文提出了一種基于自步學習（SPL）的多經驗核映射（MEKM）排他性正則化機（ERM）集成分類器算法，能同時提升特征表達和分類器模型的性能。該算法首先通過 MEKM 映射得到多組特征，以增強特征表達能力，并嵌入到 ERM 作為多個支持向量機的核變換；然后采用 SPL 策略自適應地選擇樣本，由易到難地逐步訓練 ERM 集成分類器模型，從而提升分類器的性能。該算法分別在乳腺癌 B 型超聲數據庫和彈性超聲數據庫上進行了驗證，結果顯示 B 型超聲的分類準確率、敏感度和特異性分別為 （86.36±6.45）%、（88.15±7.12）% 和 （84.52±9.38）%，而彈性超聲的分類準確率、敏感度和特異性分別為 （85.97±3.75）%、（85.93±6.09）% 和 （86.03±5.88）%。實驗結果表明，本文所提出算法能有效提升乳腺超聲 CAD 的性能，具有投入實用的潛能。