乳腺癌对于女性是致死率较高的疾病之一,早发现早治疗是治愈乳腺癌的关键。超声成像技术因其无创伤、价格低廉、操作简便等优势,已经成为乳腺癌早期辅助诊断的主要工具之一。超声图像中的肿瘤分割对于乳腺癌的早期诊断具有重要意义。然而,乳腺超声图像存在灰度不同质性问题,这会严重影响算法的分割精度。为了解决该问题,本文研究了一种标签分布嵌入的活动轮廓分割模型:首先,在encoder-decoder网络框架下,构建了一种深度标签分布学习模型,用于学习每个像素的标签分布;然后,构建一个新的活动轮廓能量函数,即在传统的活动轮廓框架下引入一个新的标签分布拟合能量项;最后,通过优化构建的能量函数实现对肿瘤的分割。本文提出的基于标签分布嵌入的活动轮廓模型具有如下两方面的特性:1、深度标签分布学习模型能够获得标签分布图,其与灰度变化无关,对灰度不同质性具有一定的鲁棒性;2、标签分布拟合能量项能够将标签分布图的信息嵌入到活动轮廓中,从而使得结果与标签分布图保持一致、分割结果受灰度不同质性影响较小,有利于提高分割精度。为验证本文方法的性能,在包含135例良性和51例恶性病例的的乳腺图像标注数据集合上进行了较为系统的实验,本文方法在ACC、JACCARD、TP和FP四个主要指标上分别达到了 0.9908,0.8917,0.6273,0.034,整体性能优于现有方法,并展示出对灰度不同质性具有一定的鲁棒性。本文工作丰富了乳腺超声图像肿瘤分割的技术手段,对提升乳腺癌的辅助诊断效果有一定的帮助,并可为其他相近图像分割任务提供一定的参考。