乳腺癌目前已经成为全球发病人数最多的癌症,对女性生命健康构成严重威胁。乳腺癌早期筛查中,超声起到至关重要的作用。然而,超声的成像质量不高,且易受伪影、血管纹理等因素的干扰,这给乳腺结节的鉴别与分析带来很大的挑战。本文分别基于模型集成与胶囊网络对超声图像中乳腺结节的分割和分类进行了改进。在乳腺结节分割方面,本文针对超声图像分辨率不足、难以提取到关键信息等特点,提出了基于“编码器集成”的网络结构,并采用共享解码器降低网络参数。实验证明,这种方法相比于“解码器集成”而言,能显著提升乳腺超声的分割性能。同时,本文重新设计了跳跃连接,促进信息在不同方向的流动与融合,进一步增强网络分割性能。最后,本文提出一种连接编码器与解码器的新型连接方式,该结构可以在不影响解码器连接的情况下对编码器进行灵活的调整,因而可以用于模型剪枝,使得用户可以在网络参数量与性能之间做出灵活的折中。在乳腺结节分类方面,本文去除了卷积网络中的全连接层,而是使用胶囊网络进行替代。具体来说,由卷积网络提取特征信息,由胶囊网络进行分析完成分类。同时,为进一步增加网络性能,本文对已有注意力机制进行了推广,建立了胶囊注意力机制。胶囊注意力机制能对不同胶囊的重要性以及胶囊向量内各维度的重要性进行自适应调整。实验证明,相较于卷积神经网络,本文的方法不仅能大幅降低网络参数量,也能获得更好的分类性能。