高强度聚焦超声（High Intensity Focused Ultrasound, HIFU）作为一种新型的超声图像引导的放射治疗手段已经被广泛地应用于组织器官的恶性与良性实体肿瘤的治疗。HIFU治疗具有局部的无创治疗,术后副作用少以及术后恢复周期短等优点。作为HIFU技术的关键技术之一,超声图像中病灶区域的精确引导直接影响HIFU治疗过程中术前计划制定的效率和术中聚焦靶区的精度。目前该工作主要依靠临床医生手动从超声图像中标定病灶区域,从而引导HIFU放射治疗,这样会极大地降低制定术前计划的效率和治疗的效果。由于超声成像固有的低信噪比、强度分布不均匀等特点,要实现对病灶区域的精确分割依然是一个挑战。此外,在超声成像的过程中患者的呼吸或者外力的挤压都容易造成体内软组织的形变从而引起超声图像中病灶区域几何轮廓的复杂性。这些因素都造成了在HIFU治疗中要实现精确的超声图像分割是一个挑战性任务。为此,本文以HIFU治疗为应用背景,对超声图像的分割算法进行了深入地研究,并取得了一些创新性成果。提出了基于MRI统计形变模型的超声图像分割方法。该方法利用MRI图像对软组织成像比超声图像清晰的优点,结合物理力学模型和统计分析对术前术后的MRI图像中目标的形变规律进行了详细分析,构建了目标的二维形变模型。该模型被融入活动形状模型分割框架,用于提高形变模型对目标复杂形状和超声图像中模糊边缘等缺点的鲁棒性。为了实现全自动分割,本文方法还使用了显著性检测技术对形变模型进行初始化定位,从而进一步提高了分割的效率。提出了一种新的动力学统计形状模型的超声图像分割方法。该方法是在基于形变模型的分割框架下结合非线性动力学模型对目标形状的变化规律进行了深入研究,并结合统计学习构建其目标形变的先验知识。然后,根据超声图像中目标边缘内外的灰度变化规律构建目标的表观模型从而驱动形变模型搜索目标边缘。实验结果证明利用非线性动力学的性质对目标形状的先验知识进行建模可以很好的表现复杂形状的细节变化,有利于缩小形变模型搜索目标的范围,提高分割的精度。提出了一种基于形状相似性的超声图像序列的分割方法。该方法的最大特点是利用患者的HIFU图像序列中目标的相似性作为形状的先验知识,该形状先验无需大量的训练样本,能够最大程度反映被分割目标的形状信息。本文方法将该形状先验作为约束规则融入基于活动轮廓模型的分割框架,从而提高活动轮廓模型对目标模糊边缘和边缘遗漏等缺点的鲁棒性。提出了一种稀疏局部特征和形状相似性的活动轮廓分割方法。首先,该方法引入稀疏表达理论分别构建了目标和背景的局部区域灰度字典,并利用目标和背景的局部区域灰度字典构建了目标边缘特征的竞争模型,并将该竞争模型融入到活动轮廓模型分割框架从而提高对超声图像中模糊边缘、弱边缘的鲁棒性。然后,该方法通过引入稀疏子空间聚类的理论对图像序列中形状的先验知识进行建模,并且通过引入L1,2范数对相邻图像中目标的相似性进行度量从而使得图像序列中相邻图像之间的形状先验知识能够提高活动轮廓模型面对超声图像中缺失边缘的鲁棒性。综上所述,本文针对HIFU应用场景下超声图像分割算法进行了深入的研究,对提升HIFU治疗的效率和效果提供了重要的理论依据和实现途径。