乳腺癌是女性中最常见的癌症,其早期症状可以通过X线摄影检测到,因此,乳房X线摄影技术是乳腺癌早期筛查和诊断最可靠的方法,但庞大的阅片量会增加诊断难度。本研究基于乳腺X线图像的计算机辅助诊断系统(Computer-Aided Diagnosis,CAD),可以帮助放射科医师在阅片时为其提供决策意见,提高诊断准确性和客观性、减轻诊断工作量。本文设计了一种9层的深度卷积神经网络(Deep convolutional neural network,DCNN)用于对乳腺X线图像的自动分类。使用的数据库是MIAS数据集,首先按照医师的标记从322个样本中提取了330个感兴趣区域(region of interest,ROI)并进行归一化处理,然后使用下采样和几何变化的方法扩充数据。网络中还用Dropout技术来防止过拟合的发生,最终实现了乳腺X线图像的三分类(即正常,良性和恶性)。同时本文还探讨了不同的网络层数对网络性能的影响,最终通过实验确定了最佳模型,该模型达到了90.18%的分类准确率和89.48%的平均F1值。通常,面对小型数据集,尤其是医学图像,深度学习难以从头开始训练网络,迁移学习是处理该问题的有效方法。本文还讨论了转移学习的重要性,微调了在ImageNet上预训练的VGG16,Inception V3,ResNet50三个网络。以随机初始化网络作为对照,三个网络的分类准确率分别为89.95%,86.37%,87.43%,使用迁移学习后分类准确率达到了90.36%,92.58%,91.10%,表明了迁移学习对医学图像分析的有效性。本文最佳模型与同一公共数据集上的其他分类方法相比较,在分类准确率方面有了很大的提高,可为乳腺肿块的分类在实际应用中提供一定程度上的参考价值。