目前,恶性肿瘤己经成为全球主要致死原因之一,其不仅严重影响着人类的健康和生命安全,而且,其发病率一直逐年上升,近年来更是逐渐呈低龄化趋势发展,至今为止没有找到很好的肿瘤诊断方法。因此,肿瘤的诊断与治疗已成为医学研究的重中之重。而肿瘤诊断情况复杂、影响因素多样,如何提高肿瘤的诊断率已经成为急需解决的问题,传统肿瘤诊断方法有医学影像、专家判断等,但这类方法较依赖医生的主观判断,诊断准确率取决于医生的专业技能和临床经验。近年来,人工智能技术发展迅速,使得人工神经网络具有强大的自适应性,为肿瘤诊断提供了新的方法。本文基于人工神经网络的特点,应用神经网络对肿瘤诊断方法进行研究和实验,并对研究结果进行对比分析。论文主要研究内容如下:（1）基于改进LVQ神经网络的乳腺肿瘤诊断算法学习向量量化神经网络（learning vector quantization neural network,LVQ）具有高度的非线性运算能力和相似特征聚类功能、大规模并行处理和强容错性等特点,但其诊断肿瘤的精度受竞争层节点数和学习率的影响,针对这些不足,提出了改进的LVQ神经网络肿瘤诊断算法模型,实验结果表明,所提出的改进算法在UCI机器学习数据库里的Wisconsin Breast Cancer Database上的诊断准确率达94.2%,相比LVQ神经网络误诊率降低2.9%。（2）基于NRS-GA的复合LVQ肿瘤诊断算法在基于改进LVQ神经网络的肿瘤诊断算法中发现,LVQ神经网络对初始权值敏感和数据的不确定性导致诊断精度不高,为此,提出基于邻域粗糙集与遗传算法优化的复合LVQ神经网络算法模型。邻域粗糙集有效地去除了数据的冗余特征,加快神经网络收敛速度;利用遗传算法优化了神经网络的初始权值,运用提出的算法模型构造乳腺肿瘤与症状之间的非线性映射关系。同样,以UCI机器学习数据库里的乳腺肿瘤数据为试验样本,结果表明,本文提出算法是有效的,平均诊断准确率为97.1%,最高可达98.55%。（3）基于卷积迁移网络的肿瘤诊断算法针对组织病理学图像的肿瘤自动多分类在计算机辅助肿瘤诊断中诊断率较低的问题,提出了一种结合卷积网络（convolutional neural networks,CNNs）和迁移学习（Transfer Learning,TL）的肿瘤诊断算法模型。对图像预处理后,使用核块提取方案来提取非重叠核,然后结合卷积神经网络和核引导的迁移学习方法从非重叠核块中提取特征向量,紧接着由3-范数引入特征融合阶段,最后使用梯度增强树分类器对融合特征进行分类。实验结果表明在公开的Brea KHis数据库上,40倍、100倍、200倍和400倍的准确率分别为94.12%、93.49%、94.73%和93.27%。