近年来,乳腺癌已经成为女性死亡的主要原因之一。动态增强磁共振成像（Dynamic Contrast Enhancement MRI,DCE-MRI）凭借能够同时描述病灶形态和运动增强信息等优势,得到了广泛应用。然而为了能够精准诊断乳腺癌良恶性及分子分型,患者需要进一步接受有创性病理手术。计算机辅助诊断（Computer Aided Diagnosis,CAD）是肿瘤早期检测和诊断的重要方法。然而,乳腺癌CAD系统现阶段仍面临很多挑战,当采集到的样本中良性样本数与恶性样本数差别较大或恶性样本中不同恶性程度样本数不均衡时,会导致CAD系统诊断性能下降。为此,本文主要对构建不平衡数据的乳腺癌CAD系统进行研究。本文的研究内容主要包括以下三个方面:（1）基于Wasserstein距离的深度卷积生成对抗网络的研究:高质量的数据集对机器学习的训练过程非常重要。数据不仅要覆盖面广,也要尽可能平衡。然而,现实数据库中常存在未被充分代表的类,影响分类性能。基于此,本研究提出一种基于Wasserstein距离的深度卷积生成对抗网络用于生成人工合成数据来均衡不平衡数据集,并通过不同的距离度量参数衡量原始数据与人工合成数据之间的相似性。将此算法与现在较为流行的其他数据生成算法进行了实验对比,结果显示,根据本文算法生成的人工合成数据与原始数据之间更相似。（2）基于不平衡数据的乳腺癌良恶性CAD系统的研究:由于传统乳腺癌CAD系统存在良恶性样本数据不均衡的问题常常导致系统对少数类样本识别率较低。针对上述问题,本研究提出了一种基于不平衡数据的乳腺癌良恶性CAD系统,并在多种分类器上进行了对比实验。结果与传统的CAD系统以及现有较为流行的数据均衡算法进行了比较,结果显示本文所提出的算法具有更高的分类准确率。（3）基于不平衡数据的乳腺癌分子分型CAD系统的研究:传统方法在处理不平衡数据多分类时,通常将二分类算法直接扩展为多分类,导致算法性能的降低。为了实现乳腺癌的精准治疗,本文构建了一种基于不平衡数据的乳腺癌分子分型CAD系统。首先采用分解策略将原始样本分解成多个二值子类,建立二值子分类器,然后对每个二值子分类器进行数据均衡处理,并采用基于距离加权的方式定义二分类器之间的竞争力,最后通过投票方式输出最终的结果。实验与现有较为流行的处理多分类不平衡算法进行了比较,结果显示本研究提出的方法有效的提高了Her-2过表达型和Luminal A两种类型乳腺癌的诊断准确率。