乳腺癌作为世界上第二种最为常见的癌症类型,是导致女性死亡率增高的原因之一,已经成为女性健康的第一杀手。在乳腺癌的临床诊断环节中,钼靶检查由于具备患者疼痛相对较小、操作简单可重复、分辨率高和检出率高等优势,成为了最先进的乳腺癌检查方法之一。医生通过观察乳腺钼靶图像对患者作出诊断,这一过程通常耗时费力,并且效率不高。为了提高诊断效率,减小误诊风险,针对乳腺钼靶图像开发基于人工智能的计算机辅助诊断系统显得尤为重要。然而,传统的分类方法需要使用大量的手工特征,往往相当复杂并存在局限性,而深度学习能够自动从数据中学习特征,克服了传统算法的缺点。但深度学习通常需要大量的图像数据,这需要极其高昂的成本,针对数据量较少的情况,迁移学习是不错的选择。此外,目前大多乳腺钼靶图像分类方法需要基于图像病灶检测,而病灶的标注需要医生具备丰富的临床经验,当数据量较大的时候,这项工作变成一个巨大挑战,针对全图的分类能够为该挑战找到一个突破口。鉴于此,基于少量乳腺钼靶图像数据,利用深度学习方法建立能够实现全图分类的计算机辅助诊断系统具有非常重要的意义,不仅能够辅助医生诊断,还可以运用到大规模的乳腺癌筛查中。本文基于迁移学习思想,利用深度学习中的卷积神经网络方法,从以下几个方面展开研究:（1）首先基于特征迁移方法,利用在大规模自然图像上预训练的卷积神经网络和在相关公共数据集上预训练的模型作为特征提取器提取乳腺钼靶图像的特征,对常用的机器学习算法进行了对比和分析。然后基于模型微调方法,使用在大规模自然图像上预训练的卷积神经网络和在相关公共数据集上预训练的模型对乳腺钼靶图像进行微调训练。通过模型微调方法,模型的正确率达到0.8280,灵敏度达到0.7778,特异度达到0.9000,AUC达到0.8742。实验结果证明深度迁移学习方法能够获取有效的全图分类模型。（2）基于钼靶检查每侧乳房具有两个视图的乳腺钼靶图像的特性,使用两种双视图策略进行分类:一种是构建包含双视图信息的乳腺钼靶图像数据集;另一种是借鉴孪生网络子网络参数共享的思想,设计双视图模型。其中,设计双视图模型的策略在多个评估指标上得到明显提高,正确率超过0.90,AUC超过0.96,灵敏度提升到0.8889。实验结果表明,双视图策略能够提升模型的分类性能。（3）基于轻量化卷积神经网络模型中的轻量化方法,减小网络训练参数量和计算复杂度,进一步缩小模型大小。基于模型集成方法,集成多个轻量化网络,改善模型分类性能。通过轻量化方法,得到了三个性能不错的轻量化模型,并通过模型融合的集成方法实现了灵敏度和特异度的平衡,提高了模型的综合性能。实验结果显示,轻量化策略和模型集成方法能够帮助得到更加高效的分类模型。