据统计,乳腺癌对广大女性生命健康的潜在风险与日俱增,在临床方面,组织病理学图像目视检查是乳腺肿瘤评估的主要方法,该诊断方式需要具有丰富临床经验的病理学医生花费大量时间完成,且诊断结果因医疗资源短缺与人工疏漏而易出现偏差。近年来,深度学习在图像分类与识别领域取得长足发展与进步,并且在医学图像领域研究当中也开始崭露头角,推动临床病理诊断从定性向定量转变。然而,当今应用于病理学图像分类研究方法相对陈旧,在特征提取等关键步骤人工观察与判断占据着主导地位。在处理高分辨率病理学图像数据时仍存在着许多短板与挑战,这种训练方式下模型效率普遍偏低且不具备良好适应能力。为进一步推进临床治疗与应用,协助医生提高乳腺癌病理诊断的一致性和效率,本文结合目前图像领域最新研究成果,对乳腺癌病理学图像分类进行研究,主要内容如下:（1）针对分辨率高且细节丰富的病理学图像,难以直接作为深度学习模型输入数据的问题,本文通过对图像进行成比例放大,按照模型输入尺寸对图像进行滑动切片,并根据切割完成后图片实际的像素覆盖面积对不符合要求图片进行剔除,完成数据预处理过程,最终得到一系列可以用来进行模型训练的样本图像。（2）针对乳腺癌病理学图像二分类问题,本文在广泛调研相关领域深度学习技术及国内外研究现状基础上,提出一种基于改进Inception-V3模型的图像分类方法,通过模型结构改进,引入参数正则化方法,对模型关键参数进行调整,进一步确定网络整体框架,通过对比试验,验证模型在病理学图像分类任务的有效性与可行性。（3）针对病理学图像数据数量少,易造成过拟合等问题,在前一章节研究内容基础上,继续采用迁移学习方法,将成熟且在海量数据中获取的权重信息迁移至目标架构当中,实现网络模型优化过程,并通过网络微调方法实现乳腺癌分类任务。实验结果表明,在与经典深度学习模型收敛速度以及结果精度进行比较中,本文所提出方法优于传统深度学习方法,有效地提高深度学习模型对于乳腺癌诊断性能,并且为进一步推进临床应用提供方法与技术手段支持。（4）针对当前临床领域实际采用的深度学习辅助系统较为稀缺,并验证所提方法的有效性等问题,基于前文所提改进深度学习模型,设计并实现针对乳腺癌病理学图像的分类检测系统,该系统通过用户实际操作,直观展示所提改进模型的分类准确度与快速性,并为今后的临床实际应用进行探索性尝试。