全球女性健康都在遭受着乳腺癌的严重威胁,临床上医生主要依靠对乳腺图像的分析得出是否存在病变,存在着误诊漏诊的风险。随着图像处理技术的发展,利用计算机辅助乳腺癌诊断成为近年来研究的热点,但由于噪声干扰、肿块形状各异等原因,要实现乳腺癌的精确快速诊断还存在着一些困难。本文针对乳腺癌图像的良恶性分类进行研究,主要工作内容和创新成果如下:1)针对乳腺癌病变图像存在清晰度不高、与乳腺软组织的对比度较低等问题,提出针对乳腺癌图像特点的预处理方法。提取出肿块病变区,采用中值滤波去噪、直方图均衡化增强图像,既去除了大部分的冗余数据和噪声,又保留了边缘信息。同时对乳腺癌图像进行旋转、裁剪、在水平和垂直方向作镜像等操作进行数据增强,避免了样本量不足时易出现的过拟合问题,为后续的实验奠定了良好的数据基础。2)针对小样本数据集在训练模型时易出现的过拟合问题,提出在卷积神经网络结构的全连接层前后和卷积层都加入Dropout层进行抑制。实验证明,该方法能够有效提高模型的泛化能力;并构建了三个结构与参数不同的卷积神经网络模型,通过实验研究了优化算法、学习率和卷积核大小等参数对模型分类性能的影响,结果表明,通过对模型结构和参数的适配,切实提高了分类性能。3)针对卷积神经网络模型端到端模式中单一分类器的不足,提出卷积神经网络与常用分类器结合的乳腺癌图像分类方法。通过对比卷积神经网络的特征与传统人工设定的图像特征描述子训练支持向量机的分类性能,证明了卷积神经网络突出的特征学习能力;利用卷积神经网络提取到的特征,分别训练了随机森林和K最近邻等分类器,该方法结合了卷积神经网络和机器学习分类器的优点,实验结果表明,卷积神经网络模型特征与随机森林结合对乳腺癌图像分类效果最好;并提出基于投票策略的集成学习方法来集合15个模型的分类结果,乳腺癌图像的分类性能得到了进一步提高。