乳腺癌是世界范围内的高发性肿瘤疾病,同时也伴随着较高的死亡率。医学专家倡导通过“早发现、早诊断、早治疗”来降低死亡率。传统的人工阅片诊断方法不仅耗时费力,过程繁琐而且容易造成误诊。为了提高乳腺癌的诊断效率和准确度,利用计算机视觉和人工智能的乳腺病理辅助诊断就显得尤为必要。病理诊断结果直接决定医生的医疗方案,因此乳腺癌病理辅助诊断系统必须有较高的可靠性。基于卷积神经网络的乳腺病理图像自动分类相比于传统的分类方法而言,在操作的复杂性、诊断速度以及准确性方面都有很大改善。然而病理图像分辨率高,人工标注非常困难,现存数据集较小,模型泛化能力弱。并且乳腺组织本身具有类内变异性,以及病理图像形态、纹理特征的复杂性、细化性和模糊性的特点,使得模型对局部特征辨识度不高。因此,针对乳腺病理图像标注成本高、获取困难,乳腺组织本身的类内变异性,以及乳腺病理图像的形态、纹理特征的复杂性、细化性和模糊性的特点,本文借鉴了多层感知机卷积对局部特征的较强辨别能力,结合残差网络残差单元简化学习过程的思想,深入研究了多层感知残差学习网络模型。本文的创新点为:(1)针对医学图像数据集较小无法满足网络训练的需求,以及传统的数据增强算法存在混入噪声和造成重要诊断信息丢失等问题,本文结合简单线性迭代聚类算法对边缘轮廓的敏感性及图像块的灰度值分布情况,提出了一种基于简单线性迭代聚类数据增强的优化方法。实验表明,该方法成功地弥补了传统方法的不足,使网络的分类性能得到显著地提高;(2)针对乳腺病理组织形态、纹理复杂、细化、类间差异小、类内多变异的特性,本文利用多层感知机卷积对局部特征较强的辨别力,便于网络捕捉到视野内的深层有用信息,并结合残差网络残差单元简化学习过程、增强梯度传播的优秀性能,提出了一种提高局部特征辨识度的多层感知残差学习方法。实验表明,该模型能够很好地抽象乳腺病理图像中的复杂特征,分类准确率可达96.3%。本文提出的结合灰度值分布的简单线性迭代聚类数据增强方法,相比于几何变换、滑动窗等方法更能保证数据增强的有效性。多层感知残差模型较VGG16、残差网络更适合具有复杂背景和细化纹理特征的医学图像分类任务。将来可考虑将本文提出的多层感知机残差分类模型应用于临床乳腺病理自动诊断系统中。