深度学习技术用于医学图像分析时可获得高精度、高效率的结果,且模型稳定、可扩展。基于深度学习技术构建计算机辅助诊断方法,可帮助医生更方便、准确地分析医学图像,并作为辅助诊断工具服务于实际临床应用。然而,使用计算机视觉通用的深度学习方法分析医学图像,并不是计算机智能辅助诊断的最佳解决方案。与计算机视觉任务中的自然图像相比,医学图像分析需要结合医学知识,对影像中所包含的解剖、成像信息进行解读,这些先验知识对于医学诊断很重要。然而,传统的基于数据驱动的深度学习模型却忽略了这些先验知识。基于先验知识构建可用于医学图像分析的深度学习模型,不但能够有效引导数据驱动模型学习与任务有关的图像特征,更能够满足临床应用场景下的辅助诊断需求。目前,将先验知识融入深度学习模型分析医学图像,主要面临两方面的需求和挑战:1)如何使模型学习先验知识并将其结合到图像分析任务中。先验知识内容种类丰富,针对不同医学分析任务选择合适的先验知识,并将其引入模型推理过程,提高模型学习任务相关特征的能力,是有困难的。2)如何帮助医生理解模型的诊断结果是否可靠。构建医学图像分析模型,使其提供能够判断结果可靠性的信息,提升模型结果可信度,是辅助临床诊断决策的关键挑战。针对上述挑战,本论文围绕超声心动图分析的不同任务和需求,研究知识引导的图像特征学习方法。利用真实标签包含的解剖知识、分割和量化任务中的感兴趣区域相同、不同超声设备采集的图像空域频域分布差异等先验知识,构建基于先验知识特征学习的超声心动图智能分析。本论文主要研究工作总结如下:首先,为了更全面地利用解剖知识实现分割,提出了一种用于二维超声心动图心肌层分割的解剖学知识学习方法—多约束聚合学习。该方法利用真实标签学习解剖知识并推断分割部分,不但利用解剖知识表示关注分割相关特征,而且将边界距离先验信息引入分割损失函数,以此区分分割边界像素,提高了模型学习分割相关特征的能力。该方法在两个数据集（私有数据集和公共数据集CAMUS）上的实验结果优于其它基线模型,表明该方法有利于超声心动图心肌层分割中的边界像素区分。其次,为了帮助医生理解模型推理过程和预测结果的可靠性,提出了一种基于任务关联空间协同注意的多任务模型,用于实现成对二维超声心动图分割、量化和不确定性估计。该方法通过探索任务之间的语义空间交互来实现多任务学习,利用非局部操作和协同激励学习任务间的空间映射,从而充分挖掘分割和量化任务中嵌入的空间信息。多任务学习优化目标包含边界感知结构一致性和联合指标约束,以分别指导分割和量化路径的学习。前者约束了预测的结构相似性,后者探索了三个量化指标之间的内在关系。同时为了提供预测结果的可靠性,该方法还设计了双支预测模块。该模块利用两个分支的预测结构差异来约束分割结果,不但提高了分割准确率,而且量化了模型的不确定性信息。在公共数据集CAMUS上的实验表明,该方法可以实现先进水平的分割性能和更准确的量化结果,并能够提供器官分割结果的不确定性信息。最后,为了使源图像域上训练好的模型用于目标域时仍能展现较好性能,根据不同域的图像频域空域分布差异,提出了一种双空间约束的无监督域适应分割方法。该方法在实现跨域图像转换的同时确保频域的一致性,并利用样式正则化的图像解耦表征学习、跨域图像转换和置信加权的语义分割集成到一个网络中。与其它跨域图像转换方法不同,该模型将跨域图像的复杂关系转化为基于双空间约束（频域和空域）的多对多映射。然后置信加权来规范跨域分割过程,实现跨域分割。在有关心脏结构分割的两个跨域公开超声数据集（CAMUS和EchoNet-Dynamic）上的结果表明,所提出的模型在跨域分割任务中比现有的无监督跨域分割方法获得了更高的性能,从而为基于临床的二维超声心动图分割提供了一个新的有效应用框架。