La morfología celular tumoral intrincada y compleja en las imágenes de patología mamaria es un factor clave para la clasificación de tumores. Este artículo propone un modelo ligero de clasificación de tumores mamarios con fusión de características multifrecuencia (LMFM) para abordar el problema de la extracción inadecuada de características y el pobre rendimiento de clasificación. El LMFM utiliza la transformada wavelet (WT) para la fusión de características multifrecuencia, integrando detalles tumorales de alta frecuencia (HF) con características semánticas de alto nivel para mejorar la representación de características. La capacidad de la red para extraer características tumorales irregulares se refuerza aún más mediante la convolución deformable adaptativa dinámica (DADC). La introducción del Módulo de Enfoque Regional basado en tokens (TRFM) reduce la interferencia de información de fondo irrelevante. Al mismo tiempo, la incorporación de un mecanismo de atención lineal (LA) disminuye la complejidad computacional del modelo y mejora aún más su capacidad de extracción de características globales. Los resultados experimentales demuestran que el modelo propuesto logra precisiones de clasificación del 98.23% y 97.81% en los conjuntos de datos BreaKHis y BACH, con solo 9.66 M de parámetros.