在世界范围内,癌症的发病率和死亡率日益增长,而乳腺癌在绝大多数国家中为最常见的癌症。乳腺癌的早期诊断能够极大程度的提高病人的存活率,因此乳腺癌的术前诊断受到了广泛关注。超声波成像技术具有快速、无创、成本低等特点,被广泛的应用于乳腺癌的早期筛查。同时,随着深度学习技术的不断发展,计算机辅助诊断系统显著的提高了诊断的准确率。但将深度学习技术应用于乳腺超声图像识别的过程中仍然存在一些问题。乳腺超声图像存在部分样本特征混淆难以识别、标注数据缺少等问题,本文将针对乳腺数据集本身的特点展开研究,实现对乳腺数据的良恶性分类。乳腺数据集中存在部分样本特征混淆的问题,为解决该问题,本文基于医生在诊断时通常观察乳腺结节的生长方向、形状和边缘等特征的指导原则,提出了形状描述符与困难样本的概念。同时提出了困难样本挖掘算法,挖掘数据集中良恶性特征混淆的样本并标记为困难样本,其原理是通过计算形状描述符向量与数据集中同类别平均形状描述符向量之间的距离,超出设定阈值则标记为困难样本。鉴于困难样本在数据集中占比较小,本文设计了一个面向困难样本的多阶段生成对抗网络,在第一阶段鉴别器判断生成的图像是否是真实图像,约束生成器能够生成正常样本用于扩充数据集。第二阶段鉴别器输出困难样本形状描述符向量,约束生成器生成困难样本,从而扩充数据集中困难样本的数量,防止网络对于正常样本过度拟合,提高模型对困难样本的识别率。乳腺数据存在获取困难,标注需要临床医生耗费大量时间等问题,然而传统深度学习算法依赖大量标注数据进行训练。本文基于临床医生诊断时参考往期相似病例进行诊断的经验,提出了一个基于多阶段特征一致性的半监督算法,首先对同一个无标签数据进行两种程度的增强,并在网络的不同阶段对两者进行特征提取,训练网络学习到两者共同的特征,最后约束网络对两种增强后的图像输出一样的类别,以提高网络对无标注数据的利用程度与分类能力。最后,本文将上述算法进行应用,设计了乳腺超声图像辅助诊断系统,包括病历管理模块、搜索与分析模块以及人工智能分析模块,帮助医生提高诊断效率,并给予医生客观建议。