乳腺癌是全球女性当中最常见的一类恶性肿瘤,它的发生率居于全球女性恶性肿瘤的前列且死亡率很高。在临床实践中,乳腺钼靶图像常被用于乳腺癌的早期筛查。为了准确检测和诊断乳腺癌的良恶性,放射科医师们每天必须筛查大量的乳腺钼靶图像。但是,仅仅依靠人工对肿块进行准确诊断面临着巨大挑战。因此,通过计算机视觉、深度学习等技术来辅助医师做出诊断是十分必要的,通过现代计算机科学技术可以给医师提供科学视角的第二种诊断意见,以协助医师们更加便捷高效地做出准确诊断。针对目前主流目标检测算法在乳腺钼靶图像的良恶性肿块目标检测中存在应用较少、检测准确率低和检测速度慢以及乳腺癌筛查得益于常规乳腺钼靶图像的多视角视觉分析,但因为技术发展的种种限制,目前现有关于乳腺癌目标检测模型未充分利用多视图信息融合分析等问题,本文主要以乳腺钼靶图像中的乳腺肿块为研究对象,根据乳腺肿块的特点并结合深度学习算法,针对以上问题,在以下两个方面开展研究:1.基于改进YOLOv4的乳腺钼靶图像肿块检测模型:为了提高乳腺钼靶图像目标检测的准确率和检测速度,提出一种基于改进YOLOv4的乳腺钼靶图像肿块检测模型。该方法可以在一个框架中同时高效进行肿块的检测和分类。首先,该检测模型引入了分流聚合双通道（JAnet）残差结构对模型的骨干网络进行改进;其次,利用深度卷积和点卷积替换原YOLOv4模型中的标准卷积;最后在后处理阶段提出了较大值求平均方法。实验结果表明,使用DDSM（Digital Database for Screening Mammography）数据集作为训练集以训练检测模型,并以INbreast数据集作为独立测试集,提出的基于改进YOLOv4的乳腺钼靶图像肿块检测模型的Recall值、m AP值、FPS、AUC值比原YOLOv4算法分别提高了7.3%、6.45%、5.9fps和13.02%。模型整体效果优于目前主流的目标检测模型,体现出了良好的鲁棒性和有效性,可以在医师对乳腺癌临床诊断过程中发挥计算机辅助诊断作用。2.基于改进YOLOv4匹配分类联合网络模型:乳腺癌筛查得益于常规乳腺钼靶图像的多视角视觉分析。在临床实践中,可以通过集成多视图信息来增强目标检测模型的鲁棒性,提高检测准确率。为了进一步提高乳腺钼靶图像目标检测的准确率并根据乳腺钼靶图像数据采集特点充分利用双视图之间存在的潜在信息,提出基于改进YOLOv4匹配分类联合网络模型。首先,通过Siamese网络对乳腺钼靶图像的乳腺头足位（CC）和乳腺侧斜位（MLO）两个视图对进行匹配度检测,并在匹配度检测网络中引入Mish激活函数以计算肿块间的相似度,得到双视图图像对的匹配度,提取符合匹配度阈值范围的图像区域以对肿块预先粗定位,然后将所有可能存在肿块的乳腺钼靶图像输入本文提出的基于改进YOLOv4的乳腺钼靶图像肿块检测模型中,对肿块进行精准定位和分类。实验结果表明:基于改进YOLOv4匹配分类联合网络模型通过充分利用多视图信息其检测精度优于最新同类目标检测模型,在INbreast数据集上,利用该模型对乳腺钼靶图像目标检测的Recall值达到93.22%,m AP值达到92.88%,AUC值达到97.93%,优于传统的单分类目标检测方法,相较于原YOLOv4模型Recall值提高9.1%,m AP值提高9.05%,AUC值提高13.72%。本文提出的基于改进YOLOv4匹配分类联合网络模型在乳腺钼靶图像肿块检测中有效降低了漏检率和误检率,证明了分类和匹配两个任务之间存在互补性,显示出双视图匹配对肿块目标检测任务性能提升的作用。该方法通过提供准确的双视图肿块对应关系提高了目标检测模型的定位精度和检测准确率,进一步指导临床医生在进行乳腺癌诊断时提供有效辅助诊断意见。