乳腺癌是危害女性身心健康最严重的疾病之一。乳腺癌发病病因尚未明确,难以预防,因此乳腺癌普查成为发现早期乳腺癌的唯一方法。乳腺钼靶检查是当前公认最好的乳腺癌普查方法。乳腺钼靶检查可以检查乳腺中的肿块、钙化灶、乳腺结构扭曲等异常,其中肿块和钙化灶都是诊断乳腺癌的重要特征。通过对钙化灶检测的需求分析,设计实现了一套乳腺钼靶片钙化灶检测系统,帮助放射科医生进行钙化灶辅助检测,以减轻医生的阅片负担。基于Python语言,使用PyQt前端开发框架和Keras-Tensorflow深度学习框架开发,实现了乳腺钼靶图像加载并对位显示、乳腺图像放大显示、窗宽窗位调整、乳腺钙化灶自动检测等功能。当下大部分检测钙化灶的相关研究都是基于滑动窗口的方法或分区检测的方法,其存在检测结果假阳性多、检测速度慢等问题。针对以上问题,提出了一种基于深度学习的端到端检测钙化灶的训练方法。该方法使用U-Net网络作为基础深度学习卷积神经网络,通过逐渐增大训练图像的尺寸,分别学习钙化灶的特征以及完整乳腺图像背景的特征,训练出可以直接对完整大分辨率乳腺图像进行端到端钙化灶检测的深度学习模型。在INbreast数据集上进行了模型的训练与测试。实验结果表明,相对于ROI训练方法,尺寸递增训练方法可以在不明显降低召回率的情况下,大大减少检测结果中的假阳性。