随着医疗水平的不断提高,使用机器学习方法对乳腺癌进行分类预测,已成为近年来研究热点。由于乳腺癌临床诊断数据与超声影像是诊断其类型的关键依据,因此本文对来自Biendata Competition公开数据集中乳腺癌患者的临床诊断数据和超声影像进行分析及特征融合,构建了基于决策树的分类模型对乳腺癌类型进行预判,设计与实现了分类系统。本文的主要研究内容包括:（1）乳腺癌分类模型的筛选。首先,分析了决策树、Logistics回归和支持向量机三种机器学习分类算法;然后,以乳腺癌临床诊断数据训练分类模型,利用Res Net-50提取出影像特征,并与诊断数据特征融合,训练分类模型,分别对比三种分类模型性能,确定以决策树算法建立模型;最后,对比单模态及双模态数据分别训练的决策树分类模型性能,实验结果表明了影像对分类的辅助作用。（2）融合显著特征与临床诊断数据特征构建乳腺癌分类模型。首先,基于Faster R-CNN对超声影像显著病灶区域进行自动标注;然后,利用Res Net-50提取影像显著病灶区域特征,将提取的显著病灶区域特征与相应的诊断数据特征融合,构建了乳腺癌分类模型;最后,对比了自动标注前后的分类模型性能,实验结果证明了影像的显著特征对分类模型性能的提升作用。（3）乳腺癌分类系统的设计与实现。首先,搭建系统前端模块,主要包括用户登录及上传信息子模块;然后,建立分类模型与分类系统的通信机制,调度分类模型辅助用户对乳腺癌类型进行预测分类;最后展示了预测类型结果。本文将机器学习经典分类算法应用到乳腺癌分类中,分别从分类模型筛选、对模型性能的提升及系统实现三个方面进行研究,最终为用户提供友好的人机交互窗口,具有重要的实践意义。