近年来,乳腺癌发病率迅速增长,已成为世界最常见的癌症。乳腺癌如果在早期被发现,通常是可以治疗的。如果没有尽早发现乳腺癌并医治,那么它就很有可能恶化。乳腺病理图像反映了乳腺的信息,有助于医生对病人病情进行分析,对乳腺癌的诊断和治疗起到了重要作用。对乳腺病理图像的分析需要经验丰富的医生结合图像中的各种信息反复观察研究,费时费力。经验丰富的医生数量是有限的,而且人工观察病理图像繁琐且耗费时间,若医生疲劳工作还可能会遗漏重要指标,造成误诊。随着计算机技术的发展、医疗数据的积累和医疗水平的提升,各种算法也逐渐被运用到了医疗领域,协助医生分析医疗数据,给医生提供诊断意见参考,提升诊断的效率。集成学习融合了多个基学习器的结果,能够更准确地对数据进行预测,提高模型性能,在多个方面都展现了其令人满意的结果和潜力。集成学习在医疗领域正处于探索阶段。现有的关于乳腺癌病理图像分析的模型大多基于单一的模型,较少有对于集成学习在乳腺癌病理图像上的应用的研究。本文综合考虑图像的多样性和模型的多样性,构建了基于集成学习的乳腺癌病理图像分析模型,充分融合不同模型的特点,增强模型的多样性和准确率。在对乳腺癌病理图像的分析中,本文分别使用单一机器学习和深度学习方法建立模型,然后运用集成学习方法,对多种模型进行融合并改进,进而得到更为准确的集成学习模型。本文首先构建了 SVM、K近邻、决策树、随机森林和Adaboost五个不同的机器学习模型,将图像特征分别输入五个模型中进行训练和测试,对比五个模型的结果。然后,利用集成学习方法集成五个机器学习模型,构建集成学习模型,将其与五个模型分别对比。结果表明,集成学习模型准确率更高。为进一步提高对乳腺癌病理图像分析的准确率,本文还集成卷积神经网络,构建了集成学习模型。首先基于迁移学习分别构建VGG16、ResNet50和DenseNet121卷积神经网络。将预处理后的图像分别输入三个神经网络中进行训练和测试。再利用集成学习方法集成三个网络,提升模型对乳腺癌病理图像分析的准确性。之后,又对上述集成神经网络模型利用集成学习思想进行改进,得到效果更好的改进的集成学习模型。利用集成学习思想对VGG16网络进行改进,构建集成VGG16网络,在增强其泛化能力的同时提升准确率。然后,将改进后的集成VGG16网络与ResNet50和DenseNet121网络相结合,构建新的集成学习模型,并将其与初步构建的集成学习模型进行对比分析,证明其性能的确有所提升。本文利用集成方法分别优化单一机器学习和深度学习模型,构建了集成学习模型,再对集成神经网络模型进行改进,实验结果证明集成学习模型的准确性和其泛化能力得到了有效地提升。基于集成学习对乳腺癌病理图像进行分析,可以辅助医生进行诊断,提高医生的工作效率,减少因经验丰富医生的缺乏而导致的误诊或漏诊病例。