La microcalcificación es la información de referencia más importante para el cáncer de mama temprano. En la actualidad, la observación artificial morfológica es el principal método para el diagnóstico clínico de estas enfermedades, pero es fácil causar errores de diagnóstico y diagnósticos perdidos. El presente estudio propone un algoritmo para detectar microcalcificaciones en mamografías para el cáncer de mama temprano. En primer lugar, las características de contraste de las mamografías se mejoran mediante la transformación Contourlet y la morfología (CTM). En segundo lugar, dividir la ROI por el algoritmo K-means mejorado. En tercer lugar, calcular la característica de escala de grises, la característica de forma y el Histograma de Gradiente Orientado (HOG) para la región ROI. La máquina de vectores de soporte adaptativa (ASVM) se utiliza como herramienta para clasificar el punto de calcificación aproximado y el punto de calcificación falso. Bajo la guía de un médico profesional, se seleccionaron 280 imágenes normales y 120 imágenes de calcificaciones para experimentación, de las cuales se utilizaron 210 imágenes normales y 90 imágenes con imágenes de calcificaciones para la clasificación de entrenamiento. Las 100 restantes se utilizan para probar el algoritmo. Se encontró que la precisión de los resultados de clasificación automática del algoritmo de máquina de vectores de soporte adaptativo (ASVM) alcanza el 94%, y los resultados experimentales son superiores a algoritmos similares. El algoritmo supera varias dificultades en la detección de microcalcificaciones y tiene un gran valor de aplicación clínica.