根据世界卫生组织（WHO）相关统计，乳腺癌是世界上女性中最常被诊断出的癌症。因此，乳腺癌的诊断和治疗引起了越来越多的关注。乳腺X线摄影术是乳腺癌的筛查和诊断的金标准，是乳腺癌筛查时最主要的技术手段。论文在当前的计算机辅助研究状况上，设计基于卷积神经网络（Convolutional Neural Network，CNN）的乳腺密度图像分类以及乳腺肿瘤图像良恶性诊断模型。该网络集成了深度学习技术，一方面可自动学习辨别特征，避免设计特定的手工制作的基于图像的特征检测器，另一方面可为医生的诊断提供可靠的依据，有效地提高诊断效率。本文开展的主要工作包括：
　　（1）设计改进的U-Net算法，分割乳腺肿块图像，实现了乳腺肿块的精准分割。具体模型为，对乳腺X射线图像进行去背景等一系列预处理后，使用U-Net网络对乳腺X线图像中肿块进行分割，精准提取乳腺肿块区域分割轮廓等信息。
　　（2）设计四通道卷积神经网络，其中肿块病灶区域图像作为相应的第四通道，训练卷积神经网络。病灶区域的引入会使网络更加关注病灶区域特征，从而进行更精确的诊断，对有病灶区域标注的乳腺X射线图像进行训练，使得其快速收敛，同时也解决了数据集数据量少容易陷入过拟合的问题，最终实现了基于卷积神经网络的乳腺X射线的精准分类。
　　（3）提出基于SE-Attention抗锯齿机制网络的算法，对乳腺密度图像与肿瘤图像进行训练，该模型使得网络具有特征重标定的性能，朝着网络收敛的方向快速进行。这种方法不仅可以改善不同位移之间的分类一致性，而且可以提高归纳的准确性，引入抗锯齿机制，将模型进行了图像转换和平移，进一步克服了因数据量稀缺造成的过度拟合，提高了分类精度与模型的泛化能力。
　　实验验证可知，基于本文提出的方法实现乳腺病灶的分割、乳腺肿瘤图像诊断及乳腺图像密度分类，使得模型达到了当前最好状态。算法可以在一定程度上为乳腺图像研究诊断提供一定参考。