乳腺癌因其高发病率、高致死率的特点,已对广大女性的身心健康造成了严重威胁。早期乳腺精准筛查和诊断有助于提高乳腺癌患者治疗效果并降低乳腺癌的致死率,其中,乳腺X线摄影是非常重要的筛查方式。早期乳腺X片临床诊断效果完全依赖于放射科医师的阅片经验,后来不断研发升级的计算机辅助诊断（Computers Aided Diagnosis,CAD）系统能从客观角度协助医生进行更高效地诊断。本文围绕乳腺X片中病灶的良恶性分类任务,根据乳腺X光影像的特点针对性地提出预处理方法,并结合深度学习、机器学习理论研究更加鲁棒和更高性能的模型方法。本文研究内容和创新点概括如下:（1）基于影像空间几何特征对乳腺X光数据集的预处理方法。对于乳腺X光影像中存在的乳腺组织堆叠、病灶区域特征难以辨别、伪影噪声干扰等问题,采用一系列数字图像处理方法分别对INbreast和CBIS-DDSM数据集进行噪声去除、背景分割、对比度调整、数据增强等。实验证明预处理后的数据可以在一定程度上有助于增强网络的泛化能力。（2）基于Efficient Net和集成学习的乳腺肿块分类方法。针对乳腺癌中最常见也最典型的肿块病灶进行分类研究,以Efficient Net网络作为特征提取模型,将提取的图像特征分别输入支持向量机、多层感知机和XGBoost这三种机器学习分类器中,并将三个基分类器输出结果进行集成学习投票决策。实验证明改进后的模型提高了泛化能力和鲁棒性能,模型正确识别乳腺肿块良恶性类别的AUC值高达0.983。（3）基于有效通道注意力机制的乳腺多病灶良恶性分类方法。针对乳腺X光图像中多病灶的良恶性分类研究,结合有效通道注意力机制和焦点损失函数进行研究,使得改进后的ECA-Net50模型可以自适应地提取重要通道信息,同时模型在很大程度上解决了类别不均衡和难分类样本的问题。改进后的模型取得了0.960的AUC值,经过大量实验对比和Grad-CAM可视化分析,证明了所提出方法的有效性。综上所述,本文的工作围绕乳腺X光影像的分类诊断展开,为临床构建乳腺癌CAD系统提供了参考方法,对乳腺癌AI辅助诊断的研究和乳腺癌早期筛查起到了一定的推动作用。