乳腺癌已成为世界上最常见的癌症,如果能尽早发现并加以治疗,乳腺癌的致死率能够极大降低。乳腺癌发病率和发病人数持续增加,而人工无法实现大规模的普筛和早期诊断,导致很多潜在病例没有在早期发现而错失了最佳治疗时机。计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统能够辅助医生实现快速诊断,使乳腺癌的大规模筛查成为可能。然而,乳腺肿瘤CAD系统的诊断性能依赖于精确的感兴趣区域（Region of Interest,ROI）,因此乳腺肿瘤的精确分割成了制约其性能的关键因素。在乳腺肿瘤分割领域,由于肿瘤大小变化大、边界模糊、数据不均衡以及带标签数据稀缺等问题,导致基于深度学习的全监督乳腺肿瘤分割方法性能受到限制。为了解决这些问题,本文基于自建的乳腺MRI肿瘤分割数据集,提出一种边界引导的半监督乳腺肿瘤分割网络,主要工作如下:（1）为了解决目标形态变化大、边界模糊和数据不均衡等问题,本文从边界出发构建了一个边界引导的全监督乳腺肿瘤分割网络BGSegNet。网络采用经典的编解码结构,在交叉熵损失基础上添加了动态边界损失,实现对肿瘤边界信息利用的同时也缓解了类别不平衡的问题;同时,编码器最后一层添加了空洞空间金字塔池化模块获取更加丰富的多尺度特征;解码器每层之间嵌入了复合注意力模块,实现对有意义特征进行增强的同时对噪声进行抑制;最后,通过将编码器浅层特征直接传递到解码器实现细节和抽象特征的融合。本文提出的BGSegNet在独立测试集上的Dice系数、灵敏性、特异性以及Hausdorff距离分别0.748、0.886、0.998和3.124像素。并且,在Dice相似系数和Hausdorff距离指标上优于UNet、FCN8s以及AUNet。实验表明本文提出的边界引导网络在乳腺肿瘤分割任务上的有效性,为乳腺肿瘤自动化CAD系统的打下了坚实基础。（2）为了解决目前临床数据增多而带标签数据少的问题,本文基于生成对抗网络思想构建了一个半监督乳腺肿瘤分割网络。由前端的BGSegNet分割网络和后端的鉴别器网络两个相对独立的网络组成,在不改变分割网络结构的情况下,仅在训练阶段增加一个轻量级的全卷积鉴别网络便能实现无标签图片的自学习。本文提出的半监督网络在独立测试集上的Dice系数、敏感性、特异性以及Hausdorff距离分别为0.819、0.900、0.998和2.850像素,优于使用相同带标签数量的全监督网络UNet、AUNet,同时也优于对比的半监督网络。实验表明,本文提出的半监督网络不仅实现简单,而且能够充分利用带标签数据中监督信息的同时提取无标签数据中的信息,有利于分割网络的性能的提升。综上,本文充分利用了目标边界和无标签数据中的信息,提高了乳腺肿瘤分割精度,对实现乳腺肿瘤CAD系统的自动化大规模筛查具有重要意义。