多视图超声心动图序列一直是诊断先天性心脏病的首选检测方法,因为它具有无创、无辐射、可实时成像以及价格低廉等诸多优点.在超声心动图检查中,通过对心脏左心的左室和左房区域的精确分割可以进一步测量心室心房的容积、射血分数等重要生理参数,进而准确评价心脏功能,但是人工对超声图像的分析是一项十分耗费时间以及金钱的工作,而且通常这种工作需要一些具有经验的专业人士,很多时候这就导致病人等待时间过长,甚至可能错过最佳的治疗时间,因此找到一种能够大大缩短前期图像分析工作时间的方法就显得格外重要.自动图像分析可以以低得多的成本实现这种监控,尤其是与降低图像采集成本的方法相结合时.对于超声心动图,一种这样的策略可以出现在没有专家参与的场景下使用的手持设备和基于云的自动解释系统,该系统评估心脏结构和功能并将结果与过往研究进行比较.自动图像解释还可以监测在给定中心收集的心电图数据,并且可以与统计模型相结合,或检测特定的心肌疾病.目前来说,在心脏超声图像上的分割主要有以下几个难点:（1）超声心动图图像中大量噪声和伪影的存在会导致图像边缘丢失,同时超声图像信噪比较低,对比度低,分辨率低,这导致超声图像中局部信息丢失和解剖结构不完整;（2）同一器官在不同的视角下呈现不同的解剖结构,左心室的结构在不同视图下具有不同层次,左心室在不同的视角下呈现不同的解剖结构;（3）在不同的协议以及不同供应商和中心的设置下,超声图像的灰度值分布和空间纹理存在较大的差异,这将进一步加大供应商之间的差异;（4）在医学图像的研究中,最大的难点是数据量的问题,由于一些限制,数据的获取和标注存在很大的局限性.根据调研,我们发现当前研究主要是针对前三项难点进行设计,主要都是一些全监督学习的框架,虽然很多模型都能够很好地解决前三项难点,但是针对标注量少的问题,一直迟迟没有很好的解决方案.因此,我们提出了一种结合自监督学习和超像素分割的方法,自监督学习是通过深入挖掘原始数据信息来执行上述挑战的潜在解决方案之一.为了解决这个问题,我们提出了一种新的自监督学习方法,结合了医学图像的超像素框架,以消除训练期间对注释的需求.所提出的框架获得了三种用于代理任务的自监督学习方法,从未标记的图像中获取全局和局部信息.然后,我们将学习到的网络转移到我们的下游模型中.我们使用各种不同的任务证明了所提出的方法对医学图像的普遍适用性.我们在模型中使用了一万例低分辨率以及两百例普通分辨率的未标注的心脏超声动图序列,每个序列都包含约30帧超声图像.首先,我们对原始超声图像进行超像素处理,在此过程中,我们不仅区分了左心室,还识别了背景中的亚解剖结构.这有助于在后续任务中识别这些干扰信息,进一步提高超声心动图左心室分割模型的准确性和稳定性.其次,我们采用了三个代理任务,包括位置预测、旋转和着色.这三个任务在位置、角度和颜色三个维度上进行了充分的训练,以确保模型能够生成未标记数据的深层知识.在这个过程中,模型不仅获取了图像中左心室的信息,还借助超像素任务充分学习了图像中的亚解剖结构信息.然后,为了让模型充分学习各类图像信息,我们将模型的自生知识整合到三个代理任务中.最后,我们将代理任务中的参数传递给我们的下游任务,只需要微调下游模型就可以得到想要的分割效果.使用本论文中的模型对这批数据集进行训练、验证以及测试,达到了接近于全监督学习方法的分割效果,同时在实验条件未改变的条件下,与其他一些全监督和自监督方法进行对比,例如U-net、ACNN、BYOL等方法,我们模型的结果在Dice、MIo U、MAD（mm）、以及HD（mm）等指标上都优于其他方法,且在一致性分析和相关性分析上也取得了更好的结果.通过我们的结果表明,对于医学图像分割,所提出的方法优于需要手动注释进行训练的传统方法.