乳腺癌是全世界女性中最常见的恶性肿瘤之一,严重威胁女性的生命健康。对乳腺癌进行分子机制的研究,并有效开展早期筛查和诊断是极其必要的。当前,钼靶是乳腺癌筛查的金标准。在乳腺癌筛查过程中,患者不但要重复暴露于有害的电离辐射之中,而且假阳性率很高。组织病理学检查是乳腺癌诊断的金标准,费时费力,往往容易受到医生主观经验的影响。因此,进行乳腺癌的基础研究,并找到一种快速、准确的方法对乳腺癌进行筛查、诊断至关重要。基于此,本文首先对14位患者的健康与癌变乳腺组织进行切片,利用自搭建的显微拉曼光谱仪进行光谱采集。对两类组织的主要成分进行光谱分析,发现相比于健康乳腺组织,癌变组织中归属于蛋白质的854 cm-1和937 cm-1谱带拉曼强度增大,而归属于脂类的1655 cm-1和归属于类胡萝卜素的1527 cm-1谱带强度减小。这些结果表明乳腺癌变过程中蛋白质含量增加,脂肪含量减少,为后续的乳腺癌原位测量分析提供了强有力的理论依据。随后,基于主成分(I854/I1527和I1660/I1245)的拉曼光谱分析和朴素贝叶斯分类算法对健康与癌变乳腺组织进行初步分类。其次,本文对20位患者的健康与癌变乳腺组织进行原位拉曼光谱探测,研究其组织中生化成分的变化。对健康与癌变乳腺组织的平均拉曼光谱进行分析发现,相比于健康组织,癌变组织的光谱强度明显降低。比较两类组织的蛋白质与脂质成分的拉曼强度比值发现,癌变组织中的脂质含量减少,蛋白质含量增加,该原位结果与组织切片的研究结果一致。同时发现,在组织癌变过程中,饱和脂肪酸向不饱和脂肪酸转化,并进一步发现组织癌变后多不饱和脂肪酸（PUFA）的含量增加,单不饱和脂肪酸（MUFA）的含量减少。最后,基于原位拉曼光谱,首次采用一维卷积神经网络（1D-CNN）算法对健康与癌变乳腺组织的进行分类。通过自构建的1D-CNN模型对上述20位患者的原位拉曼光谱进行分类。为筛选更先进的机器学习方法,Fisher判别（FDA）和支持向量机（SVM）两类常用的分类器也被用来对相同的拉曼光谱数据进行分类。结果表明,三种分类模型中,1D-CNN的分类性能最佳,其准确率达92%。拉曼光谱技术作为一种强有力的光谱技术,可在分子层次上进行癌变组织生化成分的研究,有望在实验室基础研究与临床诊断中发挥其独特的作用。本论文创新性地将拉曼光谱技术与1D-CNN模型相结合,应用于乳腺癌的筛查与诊断。本研究表明机器学习将逐渐改变未来癌症的诊断方式,为未来肿瘤的高效和准确诊断提供了新思路。