全球范围内,乳腺肿瘤病变是所有女性病症中的第二大致死病变,每年都会造成大量死亡病例。而乳腺超声诊断是现今诊断乳腺肿瘤病变的常用手段,如何在超声图像中鉴别出乳腺肿瘤病变的良恶性标签并给出其病灶区域的精准分割,是计算机辅助乳腺超声诊断的核心所在。本文针对乳腺超声图像低信噪比、低对比度,且容易出现伪影,边缘模糊甚至边缘信息丢失等现象的特点,基于数据驱动的方式利用卷积神经网络提取出表示肿瘤病变的特征信息,进而对该肿瘤病变进行良恶性识别及其病灶区域的精准分割。其中,分类卷积网络属于残差卷积网络,用于鉴别肿瘤病变的良恶性标签。该网络利用残差连接在前向计算过程中不断迫使已有的特征信息融合其他特征信息,并在后向误差传播过程中有效地将深层神经元的误差项传递给浅层神经元,缓解梯度弥散现象的发生。而分割卷积网络用于病灶区域的精准分割,该网络结合全卷积网络框架和高分辨率卷积网络框架的特点,利用编码子网络压缩得到输入图像的高级语义特征,又通过解码子网络恢复输入图像的结构化信息,同时使用扩张卷积算子扩大深层神经元的局部感受场尺度大小,有助于捕捉输入图像中乳腺肿瘤的语义信息。在南京鼓楼医院提供的乳腺超声数据集上,本文所提出的分类卷积网络达到84.0%的识别准确率,而分割卷积网络得到93.1%的dice分数。实验表明,基于残差连接的分类卷积网络实现了超声图像中肿瘤病变的全自动良恶性识别,同时结合全卷积网络框架和高分辨率网络框架的分割卷积网络实现了超声图像中乳腺肿瘤病灶区域的自动精准分割,进而减轻影像医师的工作负担。