医学诊断领域面临医疗资源不足、患者数量较多及诊断过程低效等实际问题。计算机辅助乳腺癌图像识别模型能在一定程度上缓解上述问题。现有研究工作主要使用单类别特征完成乳腺癌图像识别,未充分利用异构图像特征间蕴含的跨模态病理语义、特征在决策时的互补性及多组预测结果间的集成性。为此,提出基于多阶段多特征深度融合的乳腺癌图像识别模型,它是多特征融合方法(先融合、中融合和后融合)的有机结合。主要工作如下:(1)基于传统分类器的乳腺癌图像识别模型:从形状、纹理和深度学习等角度分别提取SIFT、HOG、Gist、LBP、VGG、Res Net和Dense Net七类图像特征;训练SVM、Ada Boost等传统分类器,计算乳腺造影图像属于阳性或阴性的概率并确定乳腺癌诊断结果。实验结果表明:基于Ada Boost分类器的乳腺癌图像识别模型其性能优于SVM、XGBoost等模型。它在CBIS-DDSM数据集上获得更优的Acc和AUC值,但在INbreast数据集上出现一定过拟合。将图像特征可视化后发现:仅依赖单类别特征,不同样本间重叠区域较大,即阴性和阳性样本难以区分。因此,单类别图像特征导致基于传统分类器的乳腺癌图像识别模型识别性能不佳,应充分利用不同图像特征间的互补性来改善识别性能。(2)基于改进的ERGS算法的乳腺癌图像识别模型:在七类图像特征提取基础上,基于SVM、Ada Boost等分类器计算乳腺造影图像属于阳性或阴性的预估概率;改进ERGS算法使之完成特征中融合,即动态计算各单类别图像特征的ERGS权值,以对上述概率加权并确定最终乳腺癌诊断结果。实验结果表明:改进的ERGS算法能充分利用不同特征在决策时的互补性,进而有效抑制因病灶区域乳腺肿块形态、视角、光照等变化所带来的噪声干扰,最终改善模型识别性能。对于不平衡数据集INbreast,改进的ERGS算法仍未能有效缓解过拟合问题,模型整体识别性能有待提升,应充分利用图像特征间蕴含的跨模态病理语义及预测结果间的集成性来应对上述问题。(3)基于多阶段多特征深度融合的乳腺癌图像识别模型:在七类图像特征提取基础上,深入挖掘图像特征间蕴含的跨模态病理语义,实现特征先融合;基于Ada Boost算法计算每个图像特征、跨模态病理语义的预估概率;使用改进的ERGS~*算法,动态计算图像特征或跨模态病理语义对应权值,以加权预估概率,实现特征中融合;优选精准度最优的多组特征组合,对它们的预测结果执行基于投票决策的集成学习,实现特征后融合。实验结果表明:跨模态病理语义能有效缓解过拟合问题并显著提升模型识别精度。将图像特征可视化后发现:采用跨模态病理语义时,不同样本间重叠区域较小,即阴性和阳性样本能更好地区分。改进的ERGS~*算法及投票策略也有助于改善模型识别性能。此外,模型假阳率较低,它已具有较高实用价值。