世界卫生组织调查统计显示,在所有女性恶性肿瘤中,乳腺癌的发病率高居首位,严重威胁着女性的健康。目前乳腺癌病症临床表现多样,给医生的诊断增加了难度,为了降低乳腺癌的恶化致死率,论文在对目前乳腺癌计算机辅助诊断系统研究的基础上,设计乳腺肿瘤良恶性分类模型,为医生的诊断提供了可靠的依据,同时有效的提高诊断效率。本文开展的主要工作包括:(1)设计基于核遗传模糊聚类算法的乳腺肿块分割方法,实现了准确分割乳腺肿块区域。从合作医院获取相关数据并在医生的指导下完成数据库的构建与乳腺肿瘤的良恶性标记,本文使用小波变换处理去除图像中的噪声。利用遗传算法优化核模糊聚类算法的聚类中心,提取乳腺肿块区域分割轮廓。(2)提出基于迁移学习的卷积神经网络的乳腺肿瘤良恶性分类方法,完成了乳腺肿瘤的良恶性鉴定。该方法将迁移学习引入到深度学习中,通过利用开源的大数据集ImageNet预训练深度卷积神经网络优化网络初始参数,解决了因已标记乳腺X线图像数量不足,导致大规模卷积神经网络易陷入过拟合的难点。实验仿真证明,基于核遗传模糊聚类算法对乳腺X线图像肿块的分割精度、过分割率、欠分割率分别为94.75%、0.27%、3.56%。且最终对乳腺肿瘤良恶性分类准确率、敏感度、特异性、F1-Measure分别为90.8%、89.8%、89.9%和88.4%。算法可以在一定程度上为乳腺肿瘤分类诊断提供一定参考。