研究表明乳腺癌已经成为危害全球人类身体健康的病症之一,乳腺癌的患病人数逐年增长,呈现年轻化的趋势。早发现、快诊断能够有效降低乳腺癌的发病率和死亡率,增加诊断的效率,从而挽救患者的生命,降低治疗的成本。在临床上,乳腺超声（Breast ultrasound,BUS）因其无辐射、无创、低成本等优势,成为近年来用于乳腺异常检测和筛查最常用的诊断工具之一。在过去通常都是依赖放射科的医生对乳腺超声图像进行阅片诊疗,但是随着BUS技术的发展,需要阅读的BUS数量大幅度增加,这增加了放射科医生的工作量,并且不同经验的医生的阅片结果也会出现差异化。为了减轻放射科医生的阅片压力、消除对操作者的依赖性、提高诊断的准确率,计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统发展起来,CAD系统是一种有价值且有效的用于乳腺筛查和分类的手段。乳腺超声图像自动分割算法的设计是CAD系统设计的关键,它能够影响之后设计步骤的准确性,从而最终影响CAD系统的检测能力,因此设计出能够准确分割肿块的算法尤为重要。随着近年来卷积神经网络（Convolutional neural network,CNN）技术的发展,越来越多的人关注到将CNN技术运用到CAD系统的设计中可以有效地进行BUS图像的肿块自动分割任务。在本文中提出了两个基于全卷积神经网络的超声乳腺肿块分割的网络:（1）基于多阶段注意力的金字塔特征提取网络（Feature Pyramid Multi-stage Attention Net,FPMANet）,FPMANet通过在经典的U型网络结构的跳跃连接上嵌入FPRB结构,增加了多尺度特征提取和特征过滤的作用,减轻了高低层特征直接进行融合所产生的语义间隙的问题。（2）基于Transformer模型的多级监督网络（Multi-level Supervision with Transformer model Net,MS-TNet）,MS-TNet通过将transformer引入编码器结构,探究了一种编码器设计的新思路,即以注意力作为特征提取和学习的主要结构,不再以卷积作为高层特征学习的主体,同时使用多级监督机制实现在不加入其他参数的前提下,提升分割网络的性能,实现轻型网络设计的目的。本文也在BUSI数据库和UDIAT数据库上验证了本文的网络,结果证实本文提出的网络能够提升BUS图像的分割性能,并且优于其他与本文关注同样问题的网络。