随着乳腺癌医学图像数字化技术的不断发展,现如今该技术在病理科诊断病理切片被广泛应用,基于数字医学影像技术的计算机辅助诊断程序也迅速普及起来。各种乳腺癌数字医学影像模型也已经作为临床医学诊断,术后跟踪,疾病预测以及教学研究等的重要依据,并促进了现代病理学诊断技术的发展。运用机器学习和深度学习中的计算机视觉技术,在对乳腺癌医学影像经过一系列处理和分析后,提取其深层本质的特征信息,辅助病理切片图像的诊断,在降低了病理科医师经过专业和经验诊断误差的同时减少了医生的工作量。此外,由于应用场景比较广泛,对于学术也有极其重要的影响。但由于乳腺癌医学影像数据本身的特点,高分辨率,较高的维度,图像种类繁多,采样周期不均等,使得医学影像的诊断成为了一个复杂的识别,分类和检测问题。在计算机视觉方法中,研究者们提出了很多基于目标检测的强监督学习算法和基于分类结合机器学习的弱监督学习算法。在弱监督学习方法的基础上,研究者们提出了许多在固定数据集上有较高准确率的组合算法模型,包括聚类算法,神经网络加支持向量机算法,和神经网络加条件随机场模型等。由于在做弱监督分类的时需要将大图片分成小图片,并重新根据小图片之间的关联性做一个预测,所以使用条件随机场模型可以有效的关联每一张小图片的相互位置信息。但由于公式的固定,每张图片只能利用到与它相邻小图片的特征信息。针对这一不足之处,本文采用双向循环神经网络代替随机场,将所有小图片进行基于位置信息的重新概率预测,使用长短期记忆(LSTM)计算单元,让算法模型通过学习找到每张小图片和全局图片的位置和特征关系。本文主要的研究成果如下:1.使用深度学习模型加机器学习模型的弱监督组合算法可以有效的提升乳腺癌医学影像的识别和定位的计算速度,并且保证一定的准确率。2.用双向循环神经网络代替条件随机场,在增加些许的计算时间情况下,提升了分类环节的准确率。