乳腺癌现在已经成为女性最容易患的恶性肿瘤疾病之一，同时也是导致女性死亡的最主要因素。其发病率在威胁女性健康的各种癌症中排在首位，而且还在呈上升趋势。目前通用的乳腺癌检查方法主要有：PET诊断、CT检查、B超检查、乳房X线摄影以及乳腺MRI检查等。但是这些检查措施都存在一些缺点，比如价格高、辐射较大、且在检查时会对乳房产生一定挤压。
　　基于微波的乳腺肿瘤检测技术由于其具有辐射小，安全性好，舒适性好，成本低，以及设备小型化，检测时间间隔小等优点，可以将其作为乳腺肿瘤的一种日常监测手段。
　　乳腺肿瘤其实是一个成长和变化的过程。大多数女性达到一定年龄，乳腺不可避免地发生结节。随着时间的推移，有些是恶性的，需要及时发现。本文提出了一种基于循环神经网络的乳腺肿瘤微波预测方法，用来估计肿瘤的大小和生长趋势。利用超宽带天线发射接收微波信号，通过采集不同时间点的微波肿瘤时序信号数据作为输入，使用时间序列学习算法处理微波肿瘤信号，评估肿瘤尺寸，预测肿瘤生长，实现对乳腺肿瘤的监测。患者可以及时的了解到肿瘤的变化情况，减轻患者的心理压力，对用户的日常预防性监护和患者的后续治疗以及护理具有重要的意义。
　　本文首先设计了基于循环神经网络乳腺肿瘤微波检测总体框架，进行了系统模块设计，并根据乳房的电磁参数和介电特性，设计了电磁仿真模型，收集了时序微波信号数据。
　　然后，针对单一个体，设计和实现了基于LSTM循环神经网络的肿瘤大小预测算法。将提出的模型与其他深度学习和机器学习模型进行了比较，实验结果表明，本文提出的模型比其他模型有较好的预测结果。
　　进一步，由于个体存在差异，尤其是乳房组织中脂肪和腺体含量的不同，单一个体的预测模型不适用于其他个体。为了实现更为通用的模型，在基于单任务LSTM微波肿瘤预测的基础上，提出了基于多任务学习的微波乳腺肿瘤时间序列预测模型。该模型主要由三层构成，数据输入层，共享训练层和特定任务输出层构成，实现对不同乳房分型的多任务预测。最后将结果与单任务模型进行比较，多任务模型的预测效果优于单任务效果。