乳腺癌发病率位居女性恶性肿瘤第一位,占比高达29%,被医学界称为“女性健康的第一杀手”。目前,乳腺X线检查(Mammograms,MGs)是筛查乳腺肿瘤最主要的方法,但乳腺良恶性肿瘤临床和影像学的表现有部分交叉重叠,很难对其进行区分。因此亟待建立一个有效的、智能的、高精度的乳腺肿瘤良恶性分类方法。随着智慧医疗的不断发展,计算机辅助诊断系统应运而生,可帮助医生更准确地鉴别病变良恶性。其中,卷积神经网络(Convolutional Neural Network,CNN)模型对乳腺肿瘤良恶性分类的研究较多,但精确度有待提升,且最新提出的Efficient Net-B0模型尚无研究。因此,本文提出基于CNN的乳腺肿瘤良恶性分类方法进行深入研究,主要研究内容包括多中心数据集的标准化和预处理、对比4种CNN模型对MGs图像分类效果和微调及改进性能最优的模型,具体如下:由于MGs图像数据集数量的匮乏和正负样本不均衡,使分类结果易产生过拟合。因此,本研究提出使用多中心数据集增加样本量,包括MIAS数据集、DDSM数据集和INbreast数据集。首先,对3个数据集图像进行标准化和预处理,主要包括格式及像素统一、特征中心裁剪、直方图均衡化和数据增强等,从而极大地增加了数据量,并改善图像质量,为后续实验提供丰富的数据支撑。为更好地说明扩展数据集的作用,使用Efficient Net-B0模型验证数据集合并的必要性和有效性,且可有效的避免模型出现过拟合现象。其次,评估VGG-16、Res Net-50、Inception V3和Efficient Net-B0模型对MGs图像分类的效果。此外,各模型使用Image Net数据集进行迁移学习后,再对合并后的数据集进行训练和测试。实验结果表明,迁移学习可有效缩短训练时间,各模型性能均得到一定的提升,且Efficientnet-B0模型对乳腺肿瘤良恶性分类识别的效果显著优于其他模型。最后,提出对Efficient Net-B0模型进行优化的方法。模型微调聚焦于更改学习率、Batch Size和Dropout的大小,结果表明复合微调效果最好,且学习率对性能的提升最敏感。模型改进聚焦于网络深度、网络宽度和图像分辨率,并使用自适应缩放技术的复合缩放及将SE模块更换Dense-shortcut。结果表明“复合缩放+Dense-shortcut”对性能提升最敏感。最终证明Efficient Net-B0模型对乳腺肿瘤分类的有效性。本研究成果对人工智能在乳腺肿瘤分类中具有重要的推广和应用价值。