在女性患癌人群当中,乳腺癌是最常见的癌症,是威胁女性生命健康的重要因素之一。有研究表明,乳腺癌的早期发现可以有效提高患者的治愈率,并且患者的五年生存率也会大大提高。因此乳腺癌的早期筛查对于患者后续的治疗有着重要的意义。医学影像是乳腺癌早期筛查的重要手段,其中乳腺钼靶图像具有成像清晰、成本低以及灵敏度高的优点,是最常用的筛查手段。医生通常需要依靠大量的临床经验来做出诊断,但对于钙化病灶而言,由于其较小的尺寸给诊断带来了很大的困难。近年来,为了帮助医生做出更加准确的诊断,各种计算机辅助诊断方法不断提出。尤其是深度学习的发展,使计算机辅助诊断展示出了广阔的研究前景。因此,本研究提出了一种基于深度学习的钙化病灶分割方法,通过两个阶段实现钙化病灶的分割。第一阶段使用卷积神经网络分类模型实现可疑钙化病灶区域的筛查,第二阶段使用改进的U-Net分割模型对可疑区域内的钙化病灶进行分割,并通过多尺度图像特征融合模型减少分割出的假阳性数量。本文的主要贡献可以总结如下。（1）可疑区域筛查在第一阶段,通过滑动窗口的方式从乳腺钼靶图像中截取图像块,并且构建了一个基于注意力的多尺度密集连接网络模型对其进行有病灶和无病灶的分类。为了有效聚合图像不同尺度的特征,本文通过残差结构逐层提高感受野的范围,构建了一个多尺度卷积模块,并将其集成到密集连接网络中。同时,本文还提出了一个通道空间注意力模块,并将其集成到多尺度卷积模块中。最后,模型在五倍交叉验证中取得了良好的分类结果。（2）钙化病灶分割在第二阶段,使用了改进的U-Net模型对可疑区域中的钙化病灶进行分割。在该分割模型中,首先通过全尺寸跳跃连接使解码器能够聚合全部尺度的特征;其次,对于模型的编码器网络则使用第一阶段中提出的分类模型,并通过迁移第一阶段学习到的权重实现参数的初始化。本文为了减少分割过程中产生的假阳性数量,使用了多尺度图像特征融合网络对分割出的非钙化病灶进行了还原。最终,使用了全新的测试集对方法的整体性能进行测试,得到的Dice、准确率以及阳性预测率分别为85.06%、85.37%和87.55%,展示出良好的分割性能。