La clasificación automatizada de imágenes histopatológicas de cáncer de mama es una de las tareas importantes en los sistemas de diagnóstico asistido por computadora (CAD). Debido a las características de pequeñas varianzas interclase y grandes varianzas intraclase en las imágenes histopatológicas de cáncer de mama, extraer características para la clasificación del cáncer de mama es difícil. Para abordar este problema, se diseñó una red de autoencoder (AE) mejorada utilizando un marco siamés que puede aprender las características efectivas de las imágenes histopatológicas para las tareas de clasificación de cáncer de mama en CAD. Primero, la imagen de entrada se procesa a múltiples escalas utilizando una pirámide gaussiana para obtener características multiescala. En segundo lugar, en la etapa de extracción de características, se utiliza un marco siamés para restringir el AE preentrenado de modo que las características extraídas tengan una menor varianza intraclase y una mayor varianza interclase. Los resultados experimentales muestran que la precisión de clasificación del método propuesto fue de hasta el 97.8% en el conjunto de datos BreakHis. En comparación con los algoritmos comúnmente utilizados en la clasificación histopatológica del cáncer de mama, este método tiene un rendimiento superior y más rápido.