乳腺癌已经成为当今社会最常见的威胁女性身心健康的癌症之一,早期发现与治疗是提高乳腺癌生存几率和恢复患者身体健康的关键。数字乳腺断层摄影（Digital breast tomosynthesis,DBT）作为一种新型的乳腺检查方法能有效提高乳腺癌的筛查率。近年来,医学图像与人工智能的有效结合促进了计算机辅助诊断（Computer-aided diagnosis,CAD）系统的发展与应用,深度卷积神经网络（Deep convolutional neural network,DCNN）能够通过学习现有的影像数据来识别未诊断影像中存在的异常,这种辅助工具帮助医生提高了诊断速度与质量。虽然已经有大量研究在其他乳腺诊断影像上取得了一定成果,但对于在DBT上乳腺肿块分类的研究仍存在进步的空间。因此,针对DCNN在DBT影像上的乳腺癌肿块良恶性分类情况,本文提出了一种多通道协同融合（Multi-path synergic fusion,MSF）深度卷积神经网络模型。为了验证模型的性能,我们回顾性地收集了 441例患者的DBT影像,提取包含乳腺良性/恶性肿块的感兴趣区域（Regions of interest,ROIs）,再从ROIs中提取乳腺肿块的三种表示影像（overview,gross mass,and mass background）,并进行以下实验:1)提出了多尺度多层次的特征增强网络（Multi-scale multi-level features enforced DenseNet,MMFED）对三种影像独立处理,该网络结构以DenseNet为基准,增加分支提取多层次多分辨率的特征。并根据最终在三种影像上的分类结果综合说明MMFED相对于DenseNet的优势。2)利用投票法、加权融合法、Stacking和决策模板法四种决策融合方法融合三个子模型的输出生成最终预测结果,并对比了多种融合框架验证了 MSF框架在乳腺肿块良恶性分类上的优越性。实验结果表明,MMFED明显优于DenseNet,MSF框架使用的多通道融合方法优于单通道或双通道的MMFED且在加权融合的方法下在ROC（87.03%）、ACC（81.29%）、SEN（74.57%）和SPE（84.53%）上取得了较好的效果。与其他几种融合框架相比,基于决策级融合的MSF框架（根据ROC指标）明显优于基于特征融合的模型（p<0.05）、基于通道融合的模型（p<0.04）和端到端模型（p<0.004）。根据上述结果可以得出,使用乳腺肿块的多面表示影像能够有效增加肿块良性/恶性分类性能。因此,所提出的MSF框架是一个能够协助临床乳腺癌筛查的有力工具。