El cáncer de mama es el tipo de cáncer más común en mujeres y representa un riesgo significativo para la salud de las mujeres a nivel mundial. Los avances en los sistemas de diagnóstico asistido por computadora (CAD) se centran en tareas específicas de clasificación y segmentación, pero pocos estudios involucran un sistema completamente integrado. En este estudio, se propuso un sistema CAD integral para analizar ecografías, mamografías y resonancias magnéticas (MRI) de cáncer de mama, que incluye preprocesamiento de imágenes, clasificación de cáncer de mama y segmentación de tumores. Primero, se utilizó el filtro de variación total para el filtrado de imágenes. En segundo lugar, se propuso un modelo de aprendizaje automático XGBoost optimizado utilizando EfficicnetB0 como extracción de características para clasificar imágenes de mama en normales y con tumores. En tercer lugar, después de clasificar las imágenes de tumores, se propuso un modelo híbrido de aprendizaje profundo CNN que integra las fortalezas de MobileNet e InceptionV3 para categorizar las imágenes de tumores en benignas y malignas. Finalmente, se utilizó Attention U-Net para segmentar tumores en conjuntos de datos anotados, mientras que se utilizaron métodos clásicos de segmentación de imágenes para los demás. Los modelos propuestos en el sistema CAD diseñado lograron una precisión del 96.14% en la clasificación anormal y del 94.81% en la clasificación de tumores en el conjunto de datos BUSI, mejorando la efectividad del diagnóstico automático de cáncer de mama.