在医疗技术飞速发展的今天,乳腺癌仍然拥有较高的发病率,是全球女性最常见的恶性肿瘤。据国家癌症中心统计,我国乳腺癌发病率为十万分之四十到五十,比20年前增加了3倍,所以乳腺癌是医疗界需要继续攻克的难题之一。近年来乳腺癌的死亡率呈下降趋势,其中很重要的原因是:乳腺癌早期筛查工作的开展,为乳腺癌的治疗争取了足够的时间,能够延长患者生命甚至是治愈。乳腺X线摄影是检测早期乳腺癌的最基础和最常用的手段,通过对乳腺X线摄影图像的分析可以诊断病情。由人工智能推动发展的计算机辅助诊断在临床医学中也起到了相对重要的作用,通过准确的乳腺肿块分割可以更好的便于疾病识别分类,是计算机辅助诊断的关键步骤。关于乳腺肿块的分割问题,主要的方法可分为传统机器学习方法和深度学习方法,两类方法都有其各自的优缺点:传统算法简单利于操作,但人工提取特征具有局限性;深度学习算法能够充分利用图像特征,但复杂的卷积计算会造成像素信息的丢失。通过对现有技术的研究分析,本文研究的主要内容有:(1)针对预处理后的乳腺X线摄影图像,本文采用多尺度全卷积网络的乳腺肿块分割模型M-FCN,使用四个具有不同卷积核设置的全卷积网络并行操作。多尺度全卷积网络的分割方法优于传统人工提取特征的过程,卷积核的操作能够提取更多不易被发现且重要的像素信息;也优于单一全卷积网络,可以提取多尺度乳腺X线摄影图像像素信息。针对提出的M-FCN分割模型,采用空洞卷积原理,得到进一步优化的分割模型M-DFCN,在空洞卷积的作用下,减轻了全卷积网络在计算过程中因连续的卷积池化层导致的像素信息丢失,可以做到扩大感受野的同时又减少了像素信息的丢失。(2)借鉴生成式对抗网络(GAN)的博弈思想,本文进一步提出关于乳腺X线摄影图像的乳腺肿块分割优化方法M-DFCN-A,通过对抗训练对乳腺肿块分割方法M-DFCN做更高阶的约束与判断。并探究了对抗训练的训练策略,分析快速交替、慢速交替、动态交替方案下分割方法的性能。实验表明,论文提出的乳腺肿块分割方法M-DFCN-A-dynamic,针对乳腺X线摄影图像数据集DDSM-BCRP和INBreast,在最优策略下乳腺肿块分割的Dice系数分别为91.88%和91.2%,与现有的乳腺肿块分割方法比较,本文方法具有更高的准确性。