根据全球癌症统计报告显示女性乳腺癌是女性最高发疾病,为了推动女性乳腺普查计划和提高乳腺肿块的检出率,辅助医生筛查乳腺钼靶图像中的肿块,已有乳腺医疗辅助诊断系统（CAD）的研发。人工智能逐渐完善,CAD功能的使用效果也在不断提升,但仍存在漏检率高、计算复杂等现象,难以普遍应用于临床。其主要问题是医疗辅助诊断系统的算法性能较低,本文针对提高算法识别单张乳腺钼靶图像中肿块的检出率,并提高肿块的分类准确性做了以下改进:（1）本文应用图像标注法对数据集Mias中的肿块信息进行标注,还采用阈值分割和肿块图像分离法制作区分肿块性质的肿瘤图像数据集。（2）深度学习方法识别乳腺钼靶图像中的肿块,实验搭建了YOLOv3和Faster R-CNN网络结构,并分别对两种网络进行结构和超参数的调整,来进一步提高识别性能。对于提高算法识别肿块的置信度问题,设计并实现YOLOv3＿D算法,其改进思想是用两个密集连接结构替代YOLOv3的5个DBL基层组件并将原来的Adam优化函数改为Adam和Lookahead函数结合起来的优化器。YOLOv3＿D在AP、mAP等评估方面都比YOLOv3好,最低值分别达到了92.67%、96.33%。本文用inceptionv1结构替换YOLOv3中主干特征提取网络的部分和全部ResBlock模块并分别命名为YOLOv3＿In2和YOLOv3＿In,虽然提高了YOLOv3的FPS,但识别精度都没有原算法好。本文证明Faster R-CNN的主干特征提取网络分别是VGGNet-16和ResNet50时提取的共享特征信息不同,对肿块识别的效果也不同。（3）卷积神经网络对乳腺的良恶性肿块分类,运用差分进化算法优化卷积神经网络结构和超参数,将这一算法命名为DE-CNN。DE-CNN用CNN的7种超参数编码种群个体,以便于DE算法寻找最适合做乳腺肿块分类的CNN。由于DE算法的原变异操作不适合做离散问题的个体变异,在原变异原理的基础上创造了一种变异策略。变异操作生成的变异个体参与交叉操作并生成交叉个体。将待优化的CNN作为适应值函数,CNN对乳腺肿块分类的准确值作为DE算法的适应值。经过DE算法对种群的不断迭代和优化,下一代种群中个体的Acc明显优于当代个体的,证实了改进的变异操作能使DE-CNN找到适合乳腺肿块分类的CNN。实验比较DE-CNN与DenseNet、GoogleNet、VGGNet、ResNet之间的分类性能,发现DE-CNN的准确值明显较高。本文改进的算法可提高乳腺肿块的检出率,为降低女性乳腺癌的发病率和促进智能医疗的发展起到一定作用。