乳腺癌是一种高发性疾病,严重地影响到全球女性的身心健康。“早发现,早治疗”是临床上挽救患者生命的唯一途径。目前乳腺钼靶X线摄影检查是临床上被公认的最可靠与有效的诊断方法之一。然而乳腺癌的医学影像特征不明显并且受限于医师的主观性影响,这导致了人工阅片工作十分繁琐而且差异性大。乳腺肿块是乳腺癌在钼靶图像的重要表征之一,而传统的分割算法仅仅根据乳腺的灰度、形态、纹理等信息往往难以区别与其对比度相似的软组织。随着计算机辅助诊断技术(computer-aided diagnosis,CAD)在医学领域上有了越来越广泛的应用前景,基于乳腺钼靶的自动分割技术具有较高的检测精度,能够为医师提供均一性较好的分割意见。基于深度学习模型,本文研究了两种乳腺肿块的精准分割算法。方法一构建了基于超像素分割的双阶网络,将乳腺肿块的分割问题转换成像素级别上的二分类问题,实现了超像素级别到像素级别的分割。方法二提出了一种编码-解码网络结构,该法无需预处理,直接在原图上学习而获取到像素级别上的分割结果图,改善了神经网络中基于图像块学习方法下图像冗余信息过多的缺点。本文实验数据建立在南佛罗里达大学建立的公开数据集与武汉大学中南医学放射科数据集上。实验结果表明,本文提出的两种方法在钼靶中的肿块区域识别上表现良好,在各类定量评价指标上也取得了不错的结果并且各有优势。本文的研究工作对乳腺癌的早期诊断与后期的靶向治疗有着启发性意义。