乳腺癌是现代女性发病率最高的恶性肿瘤,而早期筛查是预防乳腺癌非常重要的手段。在我国,由于城乡发展不均衡、人口基数大、医疗水平存在差异等原因,基层的女性乳腺癌筛查相对滞后于城市。从2009年开始,“两癌筛查”被纳入政府工作报告,计划每年对120万农村妇女进行乳腺癌的筛查。在乳腺癌早期筛查的手段中,超声检查因具有性价比高、无辐射、副作用小等特点在基层被广泛应用。但是,超声检查严重依赖于医生对表观影像的研判阅读,所需时间长、工作量大,难以满足快速、批量的临床诊断需求。为了提高诊断效率,减轻医生的劳动强度,乳腺超声图像计算机辅助诊断系统应运而生。本文研究了基于深度模型的迁移学习方法对乳腺肿瘤超声图像进行分类。实验首先对乳腺肿瘤超声图像进行了预处理,然后进行了模型的预训练和迁移训练,最后对模型的分类性能进行了评估。迁移模型使用的是在深度学习分类领域表现优异的Google Inception v3模型,通过保留分类模型的卷积层参数,重新优化全连接层结构并用乳腺肿瘤超声图像进行全连接层参数的再训练来达到分类的目的。模型的迁移训练使用Dropout算法来减少过拟合,使用Adam算法来优化网络模型的参数。重新优化后的乳腺超声肿瘤图像分类模型在logits层选用了在二分类上表现较为优异的SVM分类器和sigmoid激活函数的组合。实验将乳腺肿瘤超声数据集分为训练集,验证集以及测试集,验证集的分类结果稳定在80%,模型训练过程中的实时测试结果最高达到了 94.1%。模型导出后,使用未参与训练的100例超声数据对模型的性能进行了测试,分类准确率达到了 85%。