乳腺癌的精准预后可以为乳腺癌的个性化治疗提供重要思路。而乳腺癌精准预后的关键,在于能否将新兴的临床诊疗手段纳入到疾病早期的分析和诊断中。随医学图像辅助诊断技术日趋成熟,影像组学技术或许可以在未来进一步克服临床应用的诸多难点,将疾病的早期预后变为现实。因此,本文主要围绕影像组学技术中的关键问题展开研究,针对肿瘤的精准自动分割问题和从影像特征中准确进行乳腺癌预后问题进行如下研究:（1）提出语义拉普拉斯金字塔网络（Semantic Laplacian pyramids network,SLAPNet）对乳腺癌肿瘤进行分割。SLAPNet主要包含高斯金字塔和语义金字塔两个结构,前者负责产生多尺度的图像输入,后者负责提取多尺度的语义特征并使其在不同尺度间传播。网络使用Dice相似系数（Dice similarity coefficient,DSC）作为优化目标。为了验证模型性能,本文采用内部数据集进行训练,使用公开数据集进行测试,与前沿深度学习模型进行对比,并采用DSC、Jaccard系数（Jaccard coefficient,JC）等指标进行定量分析。实验结果证明,该模型通过结合多尺度、多级别语义的特征,可以在多中心数据上,准确地实现乳腺癌肿瘤的分割。（2）提出无监督迁移特征学习策略对乳腺癌患者的新辅助治疗响应结果进行预测。该特征提取方案可以分为两个部分,第一部分为无监督学习模型,其作用在于将原始数据投影到维度更高的特征空间中,同时提高特征空间的丰富度。第二部分为迁移学习模型,其作用在于从无监督模型得到的高维特征空间中提取高表达能力和高泛化能力的深度学习特征表示。模型最终的效果在小数据集上进行验证,通过定量对比传统影像组学特征、预训练模型特征以及无监督迁移特征在乳腺癌新辅助治疗响应上的预测效果,最终证实了本文方法的有效性。