如今,乳腺癌仍是世界范围内危及女性健康和生命安全的主要癌症,并且也存在一定比例的男性患者。目前检测乳腺癌的成像方式中,磁共振成像（Magnetic Resonance Imaging,MRI）能够提供病灶区域的更多信息,经常作为癌组织诊断和肿瘤观测的主要途径。此次研究的主要内容是使用卷积神经网络实现对MRI图像的分类和对病灶区域的分割。本文提出了基于密集特征连接的多层次特征融合网络架构（Densemultimode network,DMN）来对多种序列的图像进行融合分类,模型中对于每个成像序列都使用卷积神经网络来提取特征。在密集连接模块中,当前网络层的输入是之前网络层输出特征的通道连接结果。模型在多路径网络的不同阶段融合不同序列的特征,并非只采用高维特征叠加的简单融合模式。传统的分类融合方法是通过深度学习模型分别对不同的数据分类,再将多个结果融合从而得出结论,忽略了特征之间的关联。本文提出的分类方法更有效地利用了从多种成像模式图像中提取的特征,得到了0.949的分类准确率,也很好地模拟了真实情况中根据多参数图像进行诊断的过程。在病灶分割研究中,本文优化了基于编解码器的U-Net,改进采样方法和损失函数后形成了Usst-Net架构以提升分割表现,获得了0.870的骰子相似系数。病灶区域的时间-信号强度曲线也说明了该方法的准确性。根据实际的临床诊断模式实现的融合分类模型和分割方法,能够在很大程度上帮助医生开展乳腺癌诊断工作。