在医工融合的大背景下,超声自主扫描机器人以其减轻医生重复性体力劳动、医患非直接接触、可远程诊疗等优点越发受到研究者的关注。超声图像的自动质量评价是超声自主扫描机器人的关键技术,其价值在于对机器人采集到的超声图像进行实时质量评价,生成反馈信号引导机器人的视觉伺服控制系统做出相应动作进而保证机器人所采集得到的超声图像质量。现有的机器人系统通常采用灰度、置信度图等像素级特征统计方法对超声图像质量进行评价,但临床医生对超声图像质量的评价不仅依赖于像素灰度值,还依赖于图像内容,因此现有的超声图像质量方法并不能足够准确地进行客观的质量评价。为了使超声图像质量评价方法更贴近临床判断过程、更符合临床实际需求,在本研究中,将深度学习方法引入医学乳腺超声图像的质量评价中,本研究的主要工作内容如下:（1）本文提出了一种基于双线性卷积神经网络的全局超声图像质量评价方法。在乳腺超声图像质量评价任务中存在着不同质量等级之间图像差异较小、相同质量等级图像之间图像差异大的特点,这与细粒度分类任务中的图像具有相似之处,因此将细粒度分类任务中的双线性卷积神经网络（Bilinear Convolutional Neural Network,BCNN）引入到超声质量评价任务中,使用BCNN模块对提取到的特征进行高阶特征编码融合,提升质量评价的准确性。此外乳腺超声图像在质量等级分布上存在着严重的样本不均衡问题,在本研究中使用加权采样的方式缓解了这一问题。通过BCNN方法与加权采样方法的结合,本研究提出的全局超声图像质量评价方法所得的结果与医生手工标注结果的一致性达到了0.842皮尔逊线性相关系数（Pearson Linear Correlation Coefficient,PLCC）,这一结果优于传统的置信度图方法。（2）本文提出了一种基于多任务学习的乳腺超声图像分类与分割方法。全局图像质量评价方法对于含有病灶区域的超声图像存在着较大的偏差,这是由于医生认为含有病灶区域的超声图像的质量更多取决于病灶区域的成像状态,病灶区域的图像质量决定着整幅图像的诊断价值。为了判断乳腺超声图像中是否含有病灶区域,以及对病灶区域图像进行提取,本文使用了基于迁移学习的乳腺超声图像分类网络和病灶分割网络。在分割任务中比较了当下医学图像处理领域流行的分割网络模型U-Net、PSPNet以及Deeplab v3+三者在乳腺超声病灶分割任务中的表现。针对乳腺超声图像处理领域数据及标注稀缺的问题,引入多任务学习方法进行特征提取器的权值共享,改善模型的泛化能力,同时提升模型分类和图像分割的准确性。采用多任务学习方法之后分类模型对于乳腺超声分类的准确率达到了95.2%,分割模型对于乳腺病灶分类的准确率达到了0.920骰子系数（Dice coefficient,Dice）。（3）本文提出了一种基于图像分割的半参考病灶区域局部超声图像质量评价方法。一直以来困扰医学图像质量评价的问题在于缺少高质量的参考图像,针对这一问题本研究创造性地通过引入分割任务中得到的分割mask,将原本无参考图像质量评价问题转换为半参考图像质量评价问题。以分割所得mask作为参考图像,本研究中使用了四个病灶区域局部图像质量评价指标:病灶区域对比度、结构相似性、均方误差和信噪比,从图像语义结构及图像像素统计角度表征病灶区域局部图像与分割所得mask之间的相似性,使得所提出的超声图像质量评价算法具有较强的可解释性。为了得到病灶区域图像质量评价的结果,将四个质量评价指标及对应图像的医生主观质量评价结果输入到多层感知机中进行训练,使多层感知机具备乳腺超声局部图像质量评价的能力。在现有分割精度的情况下,本方法对于病灶区域局部图像的质量评价结果与医生主观评价结果的一致性为0.749 PLCC,如若分割精度足够高的情况下本方法的评价结果与医生主观评价结果的一致性可达到0.897 PLCC。