乳腺癌作为全世界范围内最常见的恶性肿瘤,一直严重危害着全球女性的健康。大量研究表明,通过医学图像进行乳腺癌筛查可以提高早诊率并降低死亡率。计算机辅助诊断CAD系统是实现乳腺癌早期诊断的常用解决方案,主要包含病灶分割和病灶分类两个步骤。随着深度学习技术的快速发展,基于神经网络的CAD系统在乳腺癌早期诊断中取得了比较优异的表现,也大幅提升了诊断的效率。然而在病灶分割任务中,大部分分割网络将特征重用视为提升性能最重要的因素,而忽略了有重点的特征提取,网络的旋转鲁棒性也不足以处理病灶的任意旋转。在病灶分类任务中,由于样本数量比较少,直接训练深层的神经网络也很容易导致过拟合等现象。针对上述现象,本文致力于利用深度学习方法,从乳腺癌病灶分割和乳腺癌病灶分类两个方面切入,构建一套两阶段的乳腺癌早期诊断方案。本文的主要贡献在于:1)本文提出了一个空间增强旋转感知的病灶分割网络。该网络主要包含两个组件,分别是用于高效特征提取的残差空间注意编码器和用于提升旋转鲁棒性的多路旋转感知解码器。该网络利用空间注意力增强特征提取过程,并利用非对称卷积增强网络的旋转鲁棒性。为更好地优化模型,本文还提出了一个内外约束的正则化项来辅助模型训练。2)本文提出了一个基于迁移多尺度特征的病灶分类模型。该模型由三个主要模块构成,分别是多通道图像增强模块、基于迁移学习的多尺度特征提取模块和多尺度特征筛选模块。该模型利用迁移学习弥补数据不足的问题,并提取多尺度特征用于病灶分类。最终,提出的方法在具有医学价值的数据集上进行了测试,证明了提出的方法的有效性与优越性。