乳腺癌作为在女性中发病率最高的一种癌症,严重影响着女性的健康。但是,如果能使用医学手段及早发现,治愈率还是很高的。所以早期的筛查和治疗是提高乳腺癌患者生存率的重要手段。乳腺X光造影技术的价格相对来说比较便宜,对于病人的身体损伤小,并且医生操作方便,非常适合于乳腺癌的早期检查。因此,以乳腺X光图像作为数据集的医学图像成为临床研究和学术研究的重要图像数据。卷积神经网络在图像分类领域的处理手段得到的效果对比其他分类算法有着较大提升,这为处理乳腺X光图像提供了一种新思路。针对计算机辅助诊断系统（Computer-aided diagnosis,CAD）对乳腺病变的诊断耗时长且准确率低的缺点,本文提出基于改进卷积神经网络和特征融合的方法对乳腺钼靶图像进行分类。本文所做的贡献有:（1）提出了一种基于注意力机制的改进Alexnet网络乳腺疾病图像分类模型。针对乳腺X光图像中乳腺病变区域占比非常小的特点,本文对传统Alexnet模型的网络结构进行了改进。将低层的大卷积核改为多个3*3的小卷积核来增加模型的非线性能力以及减少训练参数。同时将通道间注意力机制SENet模型应用到网络模型中,通过给各个特征通道加权来聚集于输入数据中与当前任务关联性更高的关键信息,降低其他不重要的信息,使模型能够做出更加准确的判断。实验结果表明,本文提出的基于注意力机制的乳腺疾病图像分类算法在乳腺疾病图像分类的准确率上有所提高。（2）提出了一种基于改进残差网络的乳腺疾病图像分类模型。对于残差（Resnet）模型,本文加宽了残差块结构。与原始残差块相比,模型中加宽的一路操作所使用的卷积核都是一维的,并且多增加了一条对称的残差通道。我们在残差块中将原始的3*3卷积核替换为1*3的卷积核,所以在参数量上可以减少三分之一。本文提出的加宽残差块使用两路一维对称卷积残差块,参数量是原始残差模型的三分之二。因此,该改进残差块的残差模型能够有效减少网络训练参数量,提高网络训练效率。此外,加宽的网络结构能使每一层网络获得更加丰富的特征,从而提高分类准确率。实验结果表明,基于加宽残差块的乳腺疾病图像分类算法对于乳腺疾病图像分类的准确率有所提高。（3）提出了一种基于遗传算法优化的多尺度特征融合乳腺疾病图像分类模型。分别将两种不同尺度的乳腺钼靶图像使用以上两种改进的卷积神经网络提取不同特征,使用迁移学习和特征融合的方法进行图像分类,使用遗传算法进行模型参数优化。从而提高了模型特征表达能力和模型的泛化能力。实验结果如下,基于改进残差网络在测试集上的准确率为97.02%,基于注意力机制的改进Alexnet模型在测试集上的准确率为96.28%,对比单通道网络,基于遗传算法优化的多尺度特征融合模型的准确率达到98.12%,而迁移学习所需要训练的参数只有291个。实验结果表明,本文设计的网络模型表现出了较高的准确率和较少的参数冗余。