超声图像由于其快速无辐射等优势现已成为乳腺癌术前诊断的首选影像学检查方式,但是乳腺超声图像的诊断依然严重依赖于医生的经验。近年来计算机辅助诊断技术发展迅速,无论是利用人工设计特征的机器学习算法还是利用庞大数据集训练模型的深度学习算法都有了里程碑式的突破。这些技术的进步不仅减少了医生的工作负担,更是提高了乳腺肿瘤诊断的准确性,极大地减少了误诊情况的出现。本课题针对乳腺超声图像获取困难以及数据分布有差异的问题,分别从监督型迁移学习与无监督迁移学习两个角度解决乳腺超声图像小样本、少标注带来的训练难题。首先提出了一种基于特征融合的深度迁移学习模型,相较于传统的微调迁移学习模型,该模型更加注重特征提取的全面性,分别利用较浅的Res Net18模型与较深的Dense Net模型提取高低层特征,从而在解决小样本问题的同时有效地提高了模型在乳腺超声图像上的分类准确度。之后提出了一种基于多核最大均值差异的动态对抗领域自适应。该方法是一种无监督自适应学习算法,其在解决少标注问题的同时还充分考虑到乳腺超声图像数据集特征分布差异的问题,在原有动态对抗领域自适应的基础上加入自适应层进一步对齐源域与目标域数据集的特征分布从而提高了模型在乳腺超声图像上的分类性能。最后本文将提出的两种算法与传统迁移学习算法进行了大量对比实验,其中监督型迁移学习的实验表明,基于特征融合的深度迁移学习算法在乳腺超声图像数据集上的分类性能相较于传统迁移学习算法均有提高。而无监督迁移学习的实验表明,基于多核最大均值差异的领域自适应算法在乳腺超声图像上的各项分类指标也比传统领域自适应有所提高。