乳腺癌是致使女性死亡的第二大杀手,严重威胁着我国女性的身心健康,而乳腺癌的早筛查、早诊断和早治疗是唯一能够有效提高患者5年存活率的途径。钼靶X线检查具有操作简单快捷、对乳腺癌患者局部无创、对局部乳腺组织成像良好等三大特点,因此被广泛用于乳腺癌的早期筛查。然而,不同时期乳腺癌的影像学特征差异较大,且易受乳腺组织密度分布干扰和影响,使得人工阅片和智能分析过程中,容易出现漏诊和误诊等现象。虽然人工智能方法从一定程度上提高了X线图像解析的性能,但大多基于单幅图像或分别分析不同视角X线图像的特征,忽略了医生临床诊断时对跨视图X线图像内容的综合认知。为了能够充分利用和挖掘跨视图乳腺X线图像中的上下文关联信息,准确辨识各类组织密度分布情况下X线图像中是否包含病变区域。本文根据临床医生的诊断过程,利用双视图乳腺X线图像来探索多视图之间影像内容的潜在关联特性,从而更好的区分不同组织密度条件下乳腺X线图像的准确类别,主要工作成果概括如下:首先,针对目前的分类网络多使用下采样后缩小的图像作为输入,导致图像中部分细节信息丢失的问题,提出了双视图特征提取网络,直接以高分辨率的双视图乳腺X线图像作为输入,通过引入注意力机制来有选择性地提取更值得关注的重要特征信息。采用双向LSTM网络捕获不同视图之间的上下文相关性和语义相关性,有效提高网络的分类准确率。在此基础上,针对特征提取模块使用的卷积核单一,无法有效的处理乳腺X线图像中组织结构密度及病变等的复杂变化,从而影响网络性能的问题,设计了具有不同扩张率的空洞卷积,来提取图像上下文感知的多尺度多感受野的特征,并引入自底向上和横向连接的机制,将浅层特征深层特征进行多级交叉融合,进一步提高了网络的分类性能。最后,为了充分利用特征提取模块中不同卷积层之间的关系,进一步改进了不同层级特征的融合策略,采用多层次注意力门控网络,首先利用通道注意模块对局部特征的通道进行加权,同时,利用局部特征和全局特征计算得到的兼容性评分对局部特征的空间进行加权,来有针对性地融合多层次不同重要性的特征,进一步提高了分类网络的准确性。实验结果表明,本文提出的基于多尺度深度学习框架的跨视图乳腺X线图像分类方法,能够有效提取不同视图中高分辨率乳腺X线图像丰富的特征信息,对于各种复杂的乳腺组织结构密度均有良好的适应性,能够准确辨识X线图像中存在的异常信息,取得了较高的分类准确率,从而为辅助临床医生进行准确诊断提供了有力的技术支持。