目的：探讨DenseNet201深度迁移学习（DTL）在改善乳腺MRI　BI－RADS三种病变的分类和诊断方面的潜力。方法：采用基于DenseNet201的DTL模型，对11256例良性组和5448例恶性组的DCE MRI图像进行研究。将良性组和恶性组的图像随机分为训练集（良性组：10146，恶性组：4908）和测试集（良性组：1110，恶性组：540）。收集了201例MRI报告的Bi rads 3患者作为验证集，其中197例为良性，4例为恶性。验证集的准确性、召回率和F1以及ROC曲线较低地区的分数被用作绩效指标。结果：训练集和测试集的最高准确率分别为100.00%和99.52%。验证集的平均准确度、召回率、F1和ROC曲线较低地区的平均得分分别为98.00%、0.98、0.98和0.98。DTL模型对201个病灶中的199个进行了正确分类，分类准确率为99.00%。结论：基于DenseNet201的DTL模型是提高乳腺MRI Bi-rads 3病变良恶性诊断准确率的有效方法。