Метою дисертаційного дослідження являється розробка нової архітектури гібридної згорткової мережи та моделі класифікації для підвищення якості розпізнавання раку молочної залози та зниження часу навчання.Дослідження обумовлені потребою в розробці нових і вдосконаленні існуючих моделей і методів для обробки зображень і медичної діагностики. Гібридна згорткова мережа повинна забезпечувати виділення інформативних ознак, що дозволяють підвищити критерій якості моделі для задач діагностування раку молочної залози. У запропонованій гібридній згортковій моделі, згортковий автоенкодер було використано для пошуку інформативних ознак, а згорткову нейронну мережу DenseNet – для класифікації. Виконано експериментальні дослідження розробленої моделі розпізнавання раку молочної залози, отримано наступні показники: чутливість, точність (precision), F1-Score і точність (accuracy) моделі які становлять 93.5%, 93.2%, 93.3% і 93% відповідно, що значно більше ніж у відомих згорткових мережах, які були застосовані для цієї задачі.Наукова новизна дисертаційної роботи полягає: - Запропоновано модель, яка на відміну від існуючих моделей, дозволяє діагностування раку молочної залози за мінімальний час в порівнянні з відомими методами. - Розроблена гібридна згорткова мережа на основі енкодера, яка дозволяє підвищити якість класифікації раку молочної залози і зокрема досягти мінімального відсотка помилково негативної помилки (англ. False negative, FN) в порівнянні з відомими роботами в задачах класифікації раку молочної залози. - Проведена модифікація архітектури моделі Inception V3 шляхом розширення числа повнозв'язаних шарів.^UThe aim of the dissertation research is to develop a new architecture of a hybrid convolutional network and a classification model to improve the quality of breast cancer recognition and reduce training time.The research is driven by the need to develop new and improve existing models and methods for image processing and medical diagnostics. The hybrid convolutional network should provide the selection of informative features that improve the quality criterion of the model for the tasks of diagnosing breast cancer.In the proposed hybrid convolutional model, the convolutional autoencoder was used to search for informative features, and the convolutional neural network DenseNet - for classification.Experimental studies of the developed model of breast cancer recognition were performed, the following indicators were obtained: sensitivity, accuracy (precision), F1-Score and accuracy (accuracy) models which are 93.5%, 93.2%, 93.3% and 93%, respectively, which is much higher than in known convolutional networks that have been used for this task.The scientific novelty of the dissertation is: - A model is proposed that, unlike existing models, allows the diagnosis of breast cancer in a minimum time compared to known methods. - Developed a hybrid convolutional network based on the encoder, which improves the quality of classification of breast cancer and in particular to achieve a minimum percentage of false negative error (FN) in comparison with known works in the classification of breast cancer. - Modified the architecture of the Inception V3 model by expanding the number of fully connected layers.