近年来,癌症死亡率在全球范围内不断增长,比如,乳腺癌已成为威胁妇女健康的头号杀手,且趋于年轻化,特别是在欧洲和北美地区。事实上,大多数的癌症是可以在早期被检查出并通过简单而费用低的治疗方法治愈。而准确的病灶分割则是癌症早期检测和诊断的关键。超声成像由于其独具的实时性、无损性、廉价性、可重复性好、灵敏度高等优势而广泛应用于癌症的诊断和治疗中,它在人体内部组织的定量分析、实时监控和治疗规划等方面都具有极大的潜力。但是由于医学超声图像本身固有的斑点噪声以及组织间的纹理特性差异,导致肿瘤病灶的超声图像分割一直以来都是国内外医学影像研究人员渴望攻克的世界性难题之一。针对这一现状,本文在深入调研当前病灶超声图像分割的研究现状以及超声成像机制的基础上,改进或提出适用于肿瘤病灶超声图像分割的处理方法,并对所提出的方法进行了理论和实验两方面的验证。本文首先对肿瘤病灶的超声图像分割的产生背景、目的、发展现状等方面进行了较全面的综述;并对医学超声诊断以及超声成像原理进行了概述。在此基础上,针对非线性相干模型(NCD)存在的不稳定性问题,通过引入无监督分类算法,重点提出了自适应非线性相干增强模型(Adaptive Nonlinear Coherent Diffusion,ANCD),有效地解决了非线性相干模型存在的参数敏感问题,从而提高了算法的健壮性。理论与实验均表明,其去噪效果显著提高,而且进一步提高了原始NCD模型的自动化性能,减少了人工参与,更重要的是在图像处理效果上更加清晰,视觉效果上更优,更有真实感。其次,针对Grouping Bandlet所存在的固有问题,通过引入离散小波包框架(DWPF),提出了DWPF Grouping Bandlet方法,解决了原始Grouping Bandlet无法进一步分析图像的中频信息问题以及确保了对图像描述的平移不变性问题。之后,在深入研究当前超声肿瘤病灶图像分割现状的基础上,提出了综合采用DWPF Grouping Bandlet、ISNE以及SVM等一系列技术实现对超声图像病灶肿瘤的边缘提取算法。仿真和临床试验均表明,本文提出的分割方法不仅具有良好的抗噪性能,而且捕获几何特征能力强,通过与当前主流的几种算法定性定量的比较与分析,所提出方法显示出了明显的优越性,提取精度高,具有强大的病灶图像的分割性能。