作为女性的“第一健康杀手”,乳腺癌对女性群体的生命健康构成了严重的危害。对于乳腺癌的诱因,现代医学仍然无法给出明确的解释。因此,早期的筛查治疗是目前防治乳腺癌的最有效手段之一。在临床诊断中,乳腺钼靶X线是最为常用的乳腺疾病诊断工具之一,然而,由于医师阅片可能存在耗时长及水平差异等问题,计算机辅助诊断（Computer-aided Diagnosis,CAD）系统应运而生。在兼具高效率及高精度的CAD系统的辅助下,放射科医师可以显著提升诊断的效率及精度。基于深度学习技术,本文对CAD系统中的多个关键步骤进行了深入研究,设计了一系列新颖的乳腺钼靶X线图像识别算法,具体内容如下:（1）乳腺肿块分类:乳腺肿块的良、恶性自动分类是一个关键而又具有挑战性的课题。近年来,许多基于卷积神经网络（Convolutional Neural Networks,CNN）的研究被相继提出来解决这一问题,然而,这些基于CNN的方法大多忽略了有效的全局上下文信息,并且,他们的方法也没有进一步分析CNN模型的可靠性和可解释性,这与临床诊断不相符。为了解决上述问题,本研究首先提出了一种多级全局引导的分支注意网络（Multi-level Global-guided Branch-attention Network,MGBN）,旨在充分利用多级全局上下文信息来提炼特征表示。具体来讲,MGBN包括一个主干模块和一个分支模块。前者通过Res Net-50中标准的局部卷积运算提取局部信息,而后者则可以提取全局上下文信息,即通过全局池化操作和多层感知机（Multi-layer Perceptron,MLP）建立不同特征层之间的联系。最终的预测由局部信息和全局信息共同计算。然后,利用了梯度加权类激活映射（Gradient-weighted Class Activation Mapping,Grad-CAM）对模型粗略的定位图进行了可视化,讨论了所提出分类网络的可靠性和可解释性,这在临床诊断中具有重要意义。最后,所提出的MGBN在DDSM和INbreast两个公共乳腺肿块分类数据库集上进行了充分的验证,AUC分别达到了0.8375和0.9311,取得了最先进的（State-of-the-art,SOTA）性能。（2）乳腺肿块分割:现有乳腺肿块分割的算法主要采用以肿块为中心的图像切片来实现肿块分割,但这在临床诊断中费时且不稳定。因此,本文提出了一种新颖的双上下文关联性网络（Dual Contextual Affinity Network,DCANet）,并将其应用于全景乳腺钼靶X线图像的肿块分割任务中。基于编码器-解码器结构,提出了两个轻量但有效的上下文关联性模块,包括全局引导的关联性模块（Global-guided Affinity Module,GAM）和局部引导的关联性模块（Local-guided Affinity Module,LAM）。前者可以将所有位置的特征聚合起来,以捕获长距离的上下文依赖关系,旨在增强同质区域的特征表示。后者则强调每个位置周围的语义信息,并利用基于局部视野的语义关联性来改善异质区域之间的不确定性。所提出的DCANet在DDSM和INbreast两个公共乳腺数据库上得到了较好的验证,分别达到了85.95%和84.65%的Dice相似度系数（Dice Similarity Coefficient,DSC）,无论是分割性能还是计算效率都优于SOTA方法。根据大量的定性和定量分析,本文认为所提出的全自动方法具有足够的鲁棒性为临床乳腺肿块分割提供快速、准确的诊断。（3）乳腺钼靶X线的无监督图像-图像转换:领域偏移指训练集特征分布和测试集特征分布不一致,这可能会使训练集上表现良好的深度学习模型难以泛化于临床测试集。为了缓解该问题,基于解纠缠表示学习（Disentangled Representation Learning）与生成对抗网络（Generative Adversarial Networks,GAN）,提出了一种新颖的无监督图像-图像转换模型,称之为CCR-GAN。具体来说,首先将输入图像分解为内容表示和属性表示。其次,将解纠缠得到的内容信息和属性信息进行交叉组合来进行图像转换。最后,在将转换后的图像进行二次解纠缠并重建为原始输入图像。为了提高两次解纠缠表示的语义联系,提出了内容一致性正规化模块（Content-consistent Regularization Module,CCRM）来对两次解纠缠得到内容信息的一致性进行自适应检索,从而提升整个模型的循环一致性。实验结果表明所提出的无监督图像-图像转换算法在多个数据集上均具有SOTA表现。