乳腺癌是全球范围女性常见的癌症之一,也是主要的女性癌症死因。乳腺癌的早期发现与治疗是提升乳腺癌患者存活率的重要手段。乳腺癌筛查主要采用钼靶X光摄影术作为诊断手段。在乳腺图像中,病灶往往与正常乳腺腺体组织重叠,即使经验丰富的医生也很难对图像做出准确的判断。此外,我国人口基数庞大,群体筛查会给医疗工作者带来巨大的工作负担。因此,设计并实现一个具有临床应用价值且高精度的乳腺癌识别系统具有重要的研究意义。本文从临床实际出发,以中西方乳腺X光图像为研究对象,对基于深度学习的高性能且低成本的乳腺癌识别算法进行研究,并探索计算机辅助诊断系统在临床中的实际应用。本文的主要工作和创新点如下:（1）针对像素级肿块分割标签获取成本高昂的问题,本文在弱监督学习的思想上,提出基于生成对抗网络的肿块分割网络DCP-GAN。该网络基于X光成像原理,仅需要图像级别的类别标签即可完成肿块分割任务,因此可以节约大量的数据标注成本,并且可以避免人工分割过程中出现的误标注。为了进一步提升分割效果,本文在网络中嵌入了注意力掩膜模块（AMM）和假阳性抑制模块（FPR）。在CBIS-DDSM数据集上的实验表明,DCP-GAN的表现不仅超过了其他弱监督学习方法,而且优于使用像素级分割标签在强监督下训练的U-Net。（2）针对乳腺病灶形态差距大的问题,本文提出了一个基于可变形卷积的DC-YOLOv5网络用于单侧图像的病灶检测。该方法在原本YOLOv5的基础上,将普通卷积层替换为可变形卷积层,并且探索了最优的替换结构。此外,为了接近临床工作习惯,本文在网络中增加了良恶病灶分类器,将YOLOv5进一步扩展为one stage的多标签检测网络。在CBIS-DDSM和In-House-Sub数据集上的实验表明,DC-YOLOv5检测网络有着更好的病灶检测与分类性能。（3）针对乳腺癌识别算法在医疗机构的实际应用问题,本文在国内某大型三甲医院中采集了共8万例乳腺患者病例,并通过多种实验展示了在数据充足且风格相同的情况下,一个优异的深度神经网络可以在医疗机构内的历史数据中进行训练,并且能够对最新的乳腺癌病例做出准确的诊断,网络所表现出来的诊断性能与经验丰富的放射科医生相当甚至更好。本文还使用CAM技术,以可视化的方式解释了网络的预测结果,表明网络能够像人一样学习到乳腺癌的病灶特征。（4）为了助力医生提高诊断效率与准确率,推动乳腺癌识别算法落地临床应用中,本文设计并实现了一套面向乳腺X光图像的计算机辅助诊断web系统。该系统由针对乳腺X光图像改进的OHIF及DCM4CHE组成,解决了本地PC诊断系统存在的数据不流通,维护成本高,限制使用场地等问题,以低成本的方式将远程诊断成为现实。该系统实现了临床工作中的基本图像审阅功能,并且针对乳腺病例设计了一套数据结构,此外在系统中嵌入了AI算法,为系统赋予了实时预测能力,助力医生完成更高效、更高精度的诊断工作。