乳腺癌已成为当今社会的主要公共卫生问题,也是威胁妇女身心健康的常见癌症之一,早期发现和治疗乳腺癌是提高疗效并帮助患者康复的关键。乳腺x线摄影技术由于其较为清晰的图像,准确的定位以及对人体相对较小的损伤而成为最传统的乳房图像检测方法。乳腺肿瘤的x线可表现为肿块、钙化、结构变形等,其中肿块是x线摄影中最常见的乳腺癌迹象。因此,基于这些乳腺癌迹象,对乳腺x线病理图像的准确分类是医生确定诊断和治疗方案的重要依据。近年来,随着人工智能的快速发展,特别是深度学习的发展,使得医学图像和计算机技术有效结合,促进了医学图像计算机辅助诊断的发展,医生借助计算机诊断乳腺癌,从而提高了诊断速率和诊断质量。但目前的一些计算机辅助诊断仍存在着分类准确率低,假阳性和假阴性较高的问题。故基于此问题,本文对乳腺癌肿块良恶性的分类进行了研究,提出了基于深度学习的乳腺x线良恶性肿瘤分类的方法,旨在提高乳腺x线良恶性肿瘤分类准确率,降低假阳性和假阴性的误差,提高特异性和敏感度。本文主要研究内容如下:(1)针对乳腺癌良恶性肿瘤分类准确率低,假阳性和假阴性较高的问题,提出了基于VGG的乳腺x线病理图像良恶性肿瘤分类的方法。通过对数据集进行数据预处理,增强了乳腺肿块部分与胸腺干扰部分的层次感,随后提取出包含肿块的感兴趣区域,通过VGG网络的特征提取完成了对乳腺x线良恶性肿瘤的分类。实验结果表明,乳腺x线良恶性肿瘤分类准确率、敏感度、特异性得到了提高。(2)进一步,提出了基于FA-SE-Res Net的乳腺x线病理图像良恶性肿瘤分类的方法。基于VGG的实验虽对准确率、敏感度、特异性进行了提升,但假阳性和假阴性的误差还略高。故为了降低假阳性和假阴性的误差,并考虑到了网络进行特征提取时忽略了通道特征,因此使用了具有通道注意机制的SE-Res Net网络对乳腺x线良恶性肿瘤分类,并在此基础上进行了改进,提出了一种FA-SE-Res Net的网络,同时在公开数据集和山西医科大学附属医院的数据集上进行了验证,结果表明了该网络较高的准确率和泛化性,同时降低了假阳性和假阴性的误差。