乳腺癌是女性癌症死亡的重要原因之一,且其发病率呈逐年递增和年轻化的趋势。近年来,全自动乳腺容积扫描（Automated Breast Volume Scanner,ABVS）开始应用于临床,其在乳腺病变检出以及诊断中的应用逐渐受到关注。由于ABVS实现了连续横切面图像的采集,医生的阅片工作量较大,且基于主观分析的检测结果具有一定的个体差异。基于图像处理和模式识别方法的计算机辅助诊断系统有助于降低诊断成本、提高诊断效率以及客观性,具有重要的研究价值。目前基于ABVS图像的病变自动检测存在以下问题:（1）耦合剂不均匀产生的噪声以及脂肪组织均呈现低回声特性,且病变的形态、对比度具有较大的个体差异,使得正确识别乳腺病变存在一定难度;（2）现有的ABVS图像病变检测方法将每帧图像视为独立个体,忽略了ABVS图像的层间信息,导致相邻切片病变的位置差异较大,假阳性区域增多;（3）ABVS图像中病变的标注需要有经验的医生完成,繁重的标注工作加重了医生的负担。针对上述问题,本文对基于深度学习的ABVS图像病变检测方法进行了深入研究。论文主要工作及创新点具体如下:（1）针对病变区域难以识别以及假阳性区域偏多的问题,提出了基于Improved-YOLOv3与后处理算法的单帧ABVS图像病变检测方法。通过构建具有丰富语义信息以及高分辨率空间信息的病变掩码生成分支,设计了检测损失与病变分割损失联合优化的多任务学习网络Improved-YOLOv3,提高了网络对病变的检出能力。融合连续层检测结果,设计了检测结果再评分、三维容积生成以及假阳性去除的后处理算法,提高了病变位置在相邻帧的连续性并有效去除假阳性区域。实验结果表明,相比于YOLOv3网络,多任务学习Improved-YOLOv3网络结合后处理算法提升了病变检测的精度,并降低了假阳性率。（2）针对单帧ABVS图像检测方法忽略层间信息的问题,提出了SC-BLSTMYOLOv3网络实现端到端的连续帧病变检测。为在病变检测时融入层间信息,将双向长短时记忆模型（Bidirectional Long Short-Term Memory,BLSTM）结构嵌入YOLOv3检测网络。针对YOLOv3特征金字塔存在语义信息鸿沟的问题,将空间-通道（Spatial-Channel,SC）注意力机制与特征金字塔相结合。实验结果表明,融合层间信息与注意力机制的SC-BLSTM-YOLOv3网络具有更好的ABVS图像病变检测性能。（3）针对ABVS标记数据较难获得的问题,提出了基于自训练模型的半监督检测网络SSL-YOLOv3。为获得高质量伪标签,提出了利用验证集进行伪标签更新的策略。为增强半监督检测网络的鲁棒性,采用了适合目标检测任务的强数据扩增方法。实验结果表明,相比仅用有标注数据集训练得到的模型,半监督检测网络可充分利用大量无标注数据,获得更优的检测性能。