乳腺癌作为全球女性最常见的恶性肿瘤之一,目前为止缺乏有效的预防措施,只能依靠患者早发现、早诊断来降低死亡率。深度学习在该领域的研究,主要存在两个问题,一是医学图像的细节会影响医学图像处理结果的准确度;二是深度学习方法本身是一个黑匣子,具有不可解释性,缺乏理论支持。针对现有乳腺肿瘤诊断技术存在的问题,本文的主要研究工作与成果如下:(1)图像预处理时,在归一化的情况下尽可能多的保留图像细节信息,使图像处于高清状态,充分考虑医学图像比自然图像要更加注重细节和隐私,使模型更合适于医学图像处理。(2)在研究分析了基于深度学习的乳腺肿瘤分类模型基础上,构建了基于多视角卷积神经网络的乳腺肿瘤分类模型及算法。使用多视角卷积神经网络乳腺肿瘤分类算法对乳腺肿瘤图像进行训练,将训练后获得的特征进行交叉融合,能获得更多图像信息,并能有效提高对乳腺肿瘤良恶性的判断准确度。(3)运用模糊逻辑理论改进深度学习模型和算法,创建了模糊逻辑理论与深度学习相结合的乳腺肿瘤分类模型及算法—可解释卷积神经网络方法。(4)将可解释卷积神经网络方法应用于乳腺肿瘤分类,提出了基于可解释卷积神经网络的乳腺肿瘤分类算法。使用模糊逻辑对卷积神经网络模型中的偏置b进行解释,将其用输入和权重来进行约束设定,减少运算量,不再需要学习优化,能更快学习到特征。实验表明,与其它算法相比,本文算法分类准确度更高、稳定性更好,在提高速度与准确度的同时,并对深度学习在医学领域的应用难题之一的可解释性做出了推动。