乳腺恶性肿瘤是当今中国社会女性人群发病率最高的肿瘤之一,目前乳腺肿瘤良恶性的鉴别最主要的手段是超声检查。超声医生根据临床实践经验,分析乳腺超声图像中的肿瘤相关特征,并与BI-RADS（Breast Imaging Reporting And Data System）标准相匹配,从而实现乳腺病变的良恶性分级诊断。可见,现有人工阅片方式是一个主观判断过程,诊断结果受医生的临床经验、知识水平、疲劳程度等限制。超声射频（RF）信号是超声探头接收到的原始回波信号,它尚未经过图像处理,包含有最全面最真实的人体组织信息,目前的超声成像检查只利用了射频信号中的幅度信息,而射频信号中非常重要的如频谱、相位、时变性等信息在成像过程中被忽视和丢失了。本文从超声射频（RF）信号入手,研究不同类别下,超声乳腺肿瘤分级的不同优化算法。本文所做的主要研究工作如下:（1）研究将肿瘤区域从乳腺超声图像中分割出来,获取感兴趣区,提出一种基于深度神经网络的注意力增强U型网络自动分割算法AE-Unet（Attention-enhancing Unet）。通过引入注意力机制,对各注意力机制赋予不同权重,实现抑制背景区域,突出肿瘤区域的目的。此外,改进网络训练方式,用总体损失函数训练整体网络使网络基本稳定,再用部分损失函数,轮训注意力机制及主干网络,提升网络参数的精度。实验结果表明,该方法的准确率达到93.85%,能有效提高肿瘤区域分割效率。（2）提出一种模拟超声医生对乳腺肿瘤的视觉感知的多特征提取的乳腺肿瘤分级算法。该算法以BI-RADS作为分级依据,从形态、纹理和回声等方面提取16个对分级有重要意义的特征参数,为防止过拟合选用斯皮尔曼等级相关系数进行特征筛选,筛选掉?Ene‘、?Cor‘、?En‘和?Msd‘这4个参数,对剩余特征参数进行机器学习,按重要性排序,分析特征参数与肿瘤良恶性分级之间的关系。实验结果表明,特征参数结合经过调参后的随机森林模型对乳腺肿瘤分级诊断的准确度、敏感度、特异度分别达到91.24%、91.62%和90.15%。（3）为解决在时域维度肿瘤分级的局限性,在频域维度提出一种基于Shearlet变换的乳腺肿瘤分级算法。通过Shearlet变换多尺度几何方法提取不同分级的多尺度多方向特征,针对Shearlet变换的方向性和稀疏性,采用多尺度方向二值模式（multiscale directional binary pattern,MDBP）对其特征降维,在不损失已有特征信息的前提条件下,加快识别速度实现识别效率的提升。此外针对不同分级乳腺RF信号数据量不均衡的现状,构建了一种层级二叉树SVM（cascade binary tree SVM,CBT-SVM）分类器,既克服了样本分布不均衡问题,又符合临床医生的阅片习惯。实验表明,本算法在超声乳腺分级检测中准确度达到89.29%,阳性检出率和阴性检出率分别达到了97%和98.3%。（4）提出了一种基于BIRADS-Net深层特征乳腺肿瘤分级诊断算法。在模型建立阶段,为了最大程度的提取超声图像的浅层和深层特征,在PANet模型的基础上进行剪枝和改进,提出具有双注意力机制多尺度乳腺肿瘤分级模型。在特征提取阶段,用Res Net50作为骨架网络,并加入注意力机制（Convolutional Block Attention Module,CBAM）;在特征融合阶段,再加入注意力机制以进一步提高目标检测和分类的准确性。在模型训练阶段,将原始928张图像进行数据增强,扩充为5013张。实验表明,该方法的准确度和特异性达到了92.19%和95.76%,表明BIRADS-Net模型在检测阳性和阴性结果时都具有较高的准确率。