乳腺癌的发病率逐年上升,严重危害女性的健康和生命。大部分的乳腺癌患者的首发症状是因为发现乳房中存在肿块,因此乳腺肿块是乳腺癌的一个早期信号。计算机辅助诊断可以提供客观的参考意见,减轻医生负担,因此结合深度学习技术对乳腺钼靶图像中肿块进行良恶性分类的研究具有很高的价值。目前许多学者对基于深度学习的乳腺图像分类的研究取得了一定的成绩,但还存在整体分类精度不高的问题。本文针对此问题提出了一种基于集成的卷积神经网络模型,用于提高乳腺分类性能。本文的主要内容如下:（1）构建了用于模型训练的乳腺图像数据集。针对乳腺钼靶图像分辨率高且肿块占图像的很小一部分的情况,本文对肿块区域进行标准化剪裁。针对乳腺钼靶图像中肿块边缘模糊,对比度低等问题,本文采用中值滤波去噪,去除噪声的干扰的同时保留了边缘信息。针对乳腺钼靶图像样本数量不足的情况,本文对训练数据集进行了一系列的数据增强操作,比如旋转、翻转、平移和缩放,扩大数据集到原来的6倍,在一定程度上减少了过拟合。（2）对三种卷积神经网络模型进行分析研究。针对乳腺钼靶图像复杂的问题,本文设计了一种改进的Dense Net模型,将SENet模型中的SE模块改进并嵌入到其中形成SE-Dense Net模型,并根据插入位置不同形成SE-Dense Net模型的变种,既加强特征传播又实现了特征提取过程中的重标定。通过实验研究了嵌入位置对模型分类性能的影响,找到最佳的嵌入位置。同时对模型的池化方式进行了改进,设计了GAMP池化函数,不仅可以提取乳腺钼靶图像的背景信息而且还可以提取肿块图像的纹理信息。针对乳腺钼靶图像中肿块大小差异大的问题,选用Inception模型为其自动选取大小合适的卷积核,并在Inception模型的基础上进行改进,最终实现了乳腺肿块的良恶性分类。通过实验验证了添加Dropout运算的优化模型减少了过拟合,同时还探讨了不同优化器对分类性能的影响。针对模型训练时间长计算量大的问题,本文选用Shuffle Net模型,通过与经典模型对比,验证了Shuffle Net模型可以大大减少计算复杂度的同时能保持分类性能基本不变。本文还探索了模型分组数对分类性能的影响,为后续章节构建集成卷积神经网络提供相对具体的参考信息。（3）将深度学习与集成学习相融合,设计了一种集成卷积神经网络模型,加强了分类器之间的信息交流,提升了乳腺肿块的分类准确度。该集成神经网络由三个结构不同的子网络通过集成策略融合而成,集成策略包括简单平均策略、加权平均策略和多数投票策略。鉴于三个子网络的结构不同,使得它们可以从不同的角度提取乳腺肿块信息。在CBIS-DDSM数据集上进行训练和测试,实验结果表明集成模型获得了比单一模型更好的分类效果,而且对比三种不同的集成策略发现,使用加权平均策略比其他两种策略的分类性能更好。