医学影像分析是现代计算机视觉领域中比较具有研究意义的方向。乳腺癌作为严重威胁女性生命的恶性肿瘤,非常具有跨学科研究的价值。若能利用计算机参与诊断,那势必能帮助减少因人类医生受环境因素干扰引入的诊断误差,如休息不够、情绪不佳等,对于乳腺癌早期患者群体,降低筛查漏检率,早发现早治疗,能大幅度提升乳腺癌患者的存活率。根据乳腺癌诊断的医学步骤,可以将计算机视觉引入以下两个步骤中:首先是应用在乳腺钼靶X线摄影检查中,帮助对所有女性进行是否患有乳腺癌的初筛工作。本次研究采用卷积神经网络构建诊断网络,即输入一张乳腺X线医学图像,诊断网络自动判断患者是否出现病变,同时分割出病变区域供下一步活检采集细胞组织做进一步确诊。本部分实验根据需要进行病变分类和分割病灶区域两个任务,依托深度学习技术设定了分类、分割、分割分类同时进行三个实验方案,实验过程中,利用Focal Loss克服了医学图像样本类间分布不均衡的问题,以及通过目标检测算法缓解了医学图像中前后景数量不平衡对模型最终效果的影响。通过对比三个方案的实验结果发现,直接对医学图像进行分类受到目标区域占比较小的影响,模型不能收敛,而先进行目标检测找到病灶区域大致位置,比直接对图像进行准确分割效果要好。其次是应用在穿刺活检对患病女性确诊过程中。本次研究采用集成学习思想融合多个卷积神经网络提取数据集特征的能力,构建良性、恶性肿瘤诊断分类网络,提出了如何进一步提升深度卷积网络能力的通用方案,通过实验验证了该思路的可行性。最终在各放大因子倍数的病理图像集上均获得了0.9左右的准确率。