角膜溃疡（Corneal Ulcer）是一种常见的角膜疾病,严重时可能会导致角膜瘢痕、穿孔、视力损伤甚至失明。不及时或者不恰当的治疗措施会导致不可逆转的角膜损伤。基于荧光染色裂隙灯图像的角膜溃疡区域的自动分割可以为临床定量分析与早诊早治奠定基础。由于角膜溃疡图像中存在病灶病理形态与尺度差异大、边界模糊、背景噪声干扰强以及缺少相应分割金标准（即对病灶区域作出标注的图）等问题,基于荧光染色裂隙灯图像的角膜溃疡自动分割存在较大挑战。本文主要的工作和创新点总结如下:1.提出了一种基于注意力机制和可变形卷积的角膜溃疡分割网络（Corneal Ulcer Segmentation Network,CU-SegNet）。CU-SegNet 采用 U 形编解码结构作为主干,本文设计的多尺度全局金字塔聚合（Multi-scale Global Pyramid Aggregation,MGPA）模块和自适应可变形注意力（Adaptive-aware Deformation Attention,ADA）模块分别嵌入于跳跃连接和编码器路径顶部。MGPA模块将低层特征图的高分辨率细节信息融入高层强语义特征图中,实现语义与细节信息的聚合;ADA模块引导网络关注多尺度变形特征,并自适应聚合上下文信息。2.基于视觉转换器（Transformer）和生成对抗网络架构,提出了多尺度自视觉转换器生成对抗网络（Multi-scale Self-Transformer Generative Adversarial Network,MsST-GAN）。针对传统的注意力机制只聚焦关注周围邻域信息而忽视了特征图中空间相关性的缺点,MsST-GAN引入了视觉转换器,引导网络关注长距离的依赖关系。本文设计的多尺度自视觉转换器网络（Multi-scale Self-Transformer Network,MsSTNet）作为MsST-GAN的生成器,引导模型将低层细节信息与高层强语义信息聚合,并自适应学习特征图中的长距离依赖关系。为了进一步提高网络的分割性能,本文提出了基于MsST-GAN的半监督方法（Semi-MsST-GAN）。该方法可以利用无标签数据辅助训练,有效解决了缺乏大规模有标签数据集的问题。本文方法在公开数据集SUStech-SYSU上进行了性能评估,该数据集共有712张荧光染色角膜溃疡裂隙灯图像,其中354张有标签、358张无标签。首先,354张有标签数据被用于验证CU-SegNet和MsST-GAN的性能。相比与其他分割网络,CU-SegNet和MsST-GAN均取得了较优的分割性能,主要评价指标Dice相似系数（Dice Similarity Coefficient,DSC）分别达到了 89.14%和 89.90%。为了验证 Semi-MsST-GAN能够利用无标签数据进一步提升分割性能,本文利用358张无标签数据参与训练。实验结果表明Semi-MsST-GAN能够利用无标签数据进一步提高了角膜溃疡的分割性能,其DSC提高到了 90.93%。