随着乳腺癌在全世界妇女中的发病率越来越高,乳腺外科门诊工作量不断的加大,研发一个既能辅助医生诊断疾病提高乳腺外科门诊工作效率、减少或者避免漏诊、误诊,又可以培养年轻实习医生同时又能让女性进行自检的乳腺疾病辅助诊断系统是非常有意义的。但是对以往开发的医学辅助诊断专家系统进行分析后发现,这些专家系统之所以没有在临床上广泛使用的主要原因是以往专家系统设计上存在缺陷,不能很好的模拟医生诊断疾病的过程,同时系统的预测诊断效果不理想。　　本文针对该缺陷尝试在构造乳腺疾病辅助诊断模型时引入集成神经网络技术,通过实验证明只要个体神经网络的预测结果比随机猜测好的话,集成神经网络的预测效果肯定要好于个体神经网络。同时还发现集成神经网络的中分类错误的样本的代价是不一样的,即把良性病变诊断为恶性肿瘤的代价是重复检查,危害较小;而把恶性肿瘤的病例误诊为良性病变则会贻误治疗,其危害较大。根据这个情况,对传统的集成神经网络算法Adaboost算法进行改进,通过改变算法中初始权值以及动态更新权值和阈值设置的方法,使得集成神经网络更加关注小类样本的分类。改变了传统的基于最小错误率的思想为基于最小代价的思想,构建了一个基于最小代价的乳腺疾病辅助诊断专家模型,并通过Maltab软件仿真实验证明了其有效性。