组织病理学图像是鉴别乳腺癌的黄金标准，所以对乳腺癌组织病理学图像的自动、精确的分类具有重要的临床应用价值。为了提高乳腺组织病理图像的分类准确率，从而满足临床应用的需求，提出了一种融合空间和通道特征的高精度乳腺癌分类方法。该方法使用颜色归一化来处理病理图像并使用数据增强扩充数据集，基于卷积神经网络（CNN）模型DenseNet和压缩和激励网络（SENet）融合病理图像的空间特征信息和通道特征信息，并根据压缩-激励（SE）模块的插入位置和数量，设计了三种不同的BCSCNet模型，分别为BCSCNetⅠ、BCSCNetⅡ、BCSCNetⅢ。在乳腺癌癌组织病理图像数据集（BreaKHis）上展开实验。通过实验对比，先是验证了对图像进行颜色归一化和数据增强能提高乳腺的分类准确率，然后发现所设计的三种乳腺癌分类模型中精度最高为BCSCNetⅢ。实验结果表明，BCSCNetⅢ的二分类准确率在99.05%~99.89%，比乳腺癌组织病理学图像分类网络（BHCNet）提升了0.42个百分点；其多分类的准确率在93.06%~95.72%，比BHCNet提升了2.41个百分点。证明了BCSCNet能准确地对乳腺癌组织病理图像进行分类，同时也为计算机辅助乳腺癌诊断提供了可靠的理论支撑。