近年来,乳腺癌已成为危害女性健康的罪魁祸首之一。早期治疗仍旧是挽救乳腺癌患者生命的基础。随着人工智能的发展,利用机器学习来建立乳腺癌智能诊断系统已成为医学领域的研究热点。乳腺癌诊断有三个方面的难点:一是样本数据不平衡,即正常样本大大多于患病样本,造成少量的正确诊断却对应虚高的准确率,因此需要采用强泛化的网络,本论文采用AdaBoost算法来解决这一问题;二是医学指标众多,在众多指标中找出与乳腺癌有关联的指标,一方面可以提高诊断速度,更重要的是找出影响疾病的本质因素,从而减少实际体检费用,科学提出治疗方案,本文采用传统的降维方法如主成分分析（Principal Component Analysis,PCA）等来处理这一问题;最后一方面,从神经网络理论看,乳腺癌诊断问题是一个多输入单输出的映射问题,无论采取何种神经元,网络的输出是输入的各种非线性组合后效果,因此输入指标是否能深刻反映疾病的本质关系,需要进行综合分析（数据挖掘）,补充扩展已有样本指标。基于患病与正常的医学指标应具有较大差异这一常识,本文提出了增加样本与良性样本均值的差的平方与标准差之比作为基本指标参与诊断分类,此类思想即数学基础为高维映射。针对以上三个问题的解决,形成了本文对Ada Boost算法改进原理的ZsymBoost算法。根据ZsymBoost算法弱分类器选择的问题,以及不同的神经网络具有不同的特点,均具有各自的适应范围,本文提出了单一核网络诊断系统和复合核网络诊断系统。本文的主要研究工作和成果体现在以下几个方面:（1）ZsymBoost算法主要是在Ada Boost算法的基础上充分重视患病样本,因此在更新数据权值时,增加患病样本被错分为健康样本的数据权值,减少健康样本被错分为患病样本的数据权值。（2）单一的核网络诊断系统中本文选取BP神经网络（Back Propagation neural network,BP）,RBF神经网络(Radial Basis Function neural network,朴素贝叶斯分类器（Na（?）ve Bayes,NB）这3种网络建立BP-ZsymBoost模型,RBF-ZsymBoost模型,Na（?）ve Bayes-ZsymBoost模型。针对威斯康辛乳腺癌数据集实验证明以BP为核网络建立的BP-ZsymBoost模型诊断效果最优,且与BP模型,BP-Ada Boost模型比较,BP-ZsymBoost模型各方面都优于这两个模型。（3）复合核网络诊断系统中本文给出一种由BP,RBF,Na（?）ve Bayes建立的BRB-ZsymBoost模型,该模型在处理分类器权重时降低模型的训练数据准确率低于0.97的分类器的权重;增加模型的训练数据准确率高于0.97的分类器实验证明复合核网络对乳腺癌的诊断能力优于其组成的单一核网络。（4）在处理数据时考虑良性样本和恶性样本各属性标准差的差异,在标准差差异相对明显的特征列后增加一组数据:此列特征数据与良性样本特征均值差的平方与标准差的比,实现对数据特征高维扩展。在BRB-ZsymBoost模型下,实验证明此种数据处理方法效果良好,有效提高了诊断准确率,准确率达到98.83%。为后续数据预处理方向的研究提供了一种新思路。