乳腺癌是女性中发病率最高的癌症,同时有较高的死亡率,危害了女性的生命健康。随着乳腺癌早期筛查的普及以及医学成像技术的不断进步,有越来越多的乳腺癌患者能够在早期发现并得到及时地治疗。其中,乳腺X线成像技术具有价格低以及成像清晰的特点,是乳腺癌筛查中最为常见的医学影像手段。在临床工作中,受到医生临床经验和长时间阅片视觉疲劳的影响,会导致诊断结果出现偏差。同时,乳腺肿块与乳腺组织存在高度的相似性,也会为医生及时发现和诊断乳腺肿块造成困难。计算机辅助诊断在医学图像分析领域中展现出广阔的研究前景和应用价值,能为医生诊断提供的“第二意见”。随着深度学习模型的提出,计算机辅助诊断算法在实际应用中得到了改进和提高。在本文中,提出了一种基于深度学习的乳腺肿块检测与诊断方法来帮助医生快速发现肿块病灶并提供相应的良恶性参考依据。受到临床中医生需要通过双视角乳腺X线图像进行诊断这种特性的启发,本文分别提出了双视角乳腺肿块检测方法以及双视角特征融合肿块诊断方法。具体地,本文的贡献可以总结如下:（1）基于双视角的乳腺肿块检测方法患者在拍摄乳腺X线图像时,通常会从正轴位和斜侧位两个视角进行拍摄。因此对于同一个肿块而言,通常会同时出现在这两个视角所拍摄的乳腺X线图像中。在本文中,为了能够模拟医生的诊断行为进而为他们提供更加准确可信的参考结果,提出了一种能够从双视角乳腺X线图像对肿块进行检测的方法。首先提出了一种改进的Retina Net模型用于分别从两个单一视角乳腺X线图像中对可能的肿块进行检测定位。其次,通过双视角匹配算法对可疑的肿块区域进行匹配以确定真阳性肿块区域,并将非肿块的假阳性区域进行剔除。最后,通过五倍交叉验证实验对所提出的方法进行了验证,得到的召回率和平均每张图上的假阳性数量分别为0.951和0.42。（2）基于双视角的乳腺肿块良恶性诊断方法双视角乳腺X线图像包含了更加丰富的特征,同时这些特征存在着相互关联的关系。在本文中,为了充分利用双视角特征相互关联的特性,构建了一种融合双视角特征的分类模型。首先,该模型对检测模型定位到的肿块区域进行裁剪。然后,使用两条单独的卷积神经网络分支分别提取两个视角下乳腺肿块图像块的特征,并通过门循环单元对两视角特征进行融合以实现最终的良恶性分类。最后,同样通过了五倍交叉验证实验对所提出模型的性能进行验证,得到的准确率为0.947、召回率为0.941、AUC值为0.951。