Le cancer du sein est la première cause de mortalité chez les femmes. L¿outil principal de dépistage est la mammographie. La détection de micro-calcifications est une tache importante et délicate pour le diagnostic précoce de ce cancer. Nous avons proposé un algorithme basé sur la classification supervisé par réseaux de neurones et non supervisées en utilisant le K-Plus-Proche voisins et le Fuzzy C-Means. La validation a été effectuée en utilisant la base de données publique MIAS présentant 322 images mammographiques dont 24 comportant des microcalcifications. Les résultats obtenus sont évalués par le calcul de taux de reconnaissance et le temps d¿exécution, ce qui nous a permis de faire une étude comparative entre les trois approches proposées. Nous avons obtenu un taux de reconnaissance de 46% pour K-means, 51% pour Fuzzy C-means et 52% pour le réseau de neurones. D¿autre part, nous avons enregistré un temps d¿exécution de 41s pour K-means, 5s pour Fuzzy C-means et 219s pour le réseau de neurones. Ceci nous a permis de conclure que l¿approche Fuzzy C-means est la meilleure en termes de performances et de qualité d¿images.