乳腺癌已成为女性中常见的恶性肿瘤之一，并且发病率正在逐年升高。乳腺癌的早期诊断有助于乳腺癌提早发现并及时治疗。基于乳腺组织的病理学检查仍然是当前乳腺癌诊断的金标准。随着计算机辅助诊断方法的发展，研究者提出利用计算机辅助乳腺组织病理学显微图像进行诊断的方法。然而，基于手工特征的分类方法依赖于精确的细胞分割和特征提取。由于图像质量的问题，精确分割和有效的特征提取仍然具有挑战性。深度学习方法可以从原始数据中自动学习并发现具有区分度和代表性的信息，近年来被引入到显微图像的分类识别。然而，深度学习方法的性能依赖于大量且有标注的样本。针对小样本的乳腺癌显微图像，迁移学习通过共享来自其他大数据集的参数对小样本数据进行分类识别。然而，基于深度迁移学习的方法和单一的深度高阶特征对乳腺癌组织病理学图像分类不能充分挖掘显微图像的隐含特征，会限制模型的分类识别准确率和模型的稳定性。
　　针对上述问题，本文研究了两种基于深度迁移学习的多特征融合乳腺癌显微图像分类算法，在有限数量的乳腺癌显微图像样本下学习多种丰富、有效的特征，将提取到的多种特征联合用于模型训练，解决过拟合问题，训练出稳定且高效的模型。本文的具体研究工作如下：
　　①研究了基于深度迁移学习的多阶深度特征融合的乳腺癌显微图像分类方法。首先，基于乳腺癌显微图像公共数据集BreaKHis对多阶深度特征融合模型进行预训练。然后，将经过预训练的模型的参数，迁移到本文的目标乳腺癌显微图像的分类识别模型中。最后，对目标乳腺显微图像进行多阶(低阶、中间阶、高阶)特征融合，对迁移的模型进行微调。结果表明，本章算法对三个分类识别任务分别取得了93.75%、94.32%和91.45%的分类准确率，验证了本章算法的有效性。
　　②研究了基于双深度高阶特征的交互式跨域极限学习的乳腺癌显微图像分类方法。该方法包括双深度迁移学习D2TL和交互式跨域极限学习ICELM两部分。首先，一次迁移学习方法TL和二次迁移学习方法DSTL分别用来提取出同一个乳腺癌显微图像的两种深度高阶特征。然后，利用交互式跨域极限学习模型ICELM，将提取的两种深度高阶特征分别作为ICELM的正则项，进一步提高整体模型分类识别的准确率和稳定性。结果表明，本章算法在三种任务中分别取得了98.18%、96.96%和96.67%的分类准确率，验证了本章算法的有效性。