肾脏是人体重要的器官之一,可以保证人体内环境的稳定,使新陈代谢正常进行。近年来,超声检测已广泛应用于慢性肾脏疾病的诊断中。研究表明,在肾脏超声图像中,肾脏、肾实质和肾窦的截面面积,肾脏的长轴和短轴的长度,以及各区域的回声值等指标都与肾脏的健康状况密切相关。另外,肾脏和肾实质的厚度也是诊断慢性肾功能衰竭的常用指标。因此,肾脏、肾实质和肾窦的计算机自动分割可以为进一步测量肾脏的相关指标提供前提支撑,具有重要的医学研究价值。然而,肾脏超声图像中的肾脏、肾实质和肾窦三部分的形状复杂多样,图像中有很多的伪影和噪声。另外,在很多超声图像中待分割部位的边缘与背景融合,导致现存的方法并不能很好地分割出肾脏、肾实质和肾窦三部分,待分割部位的边缘和内部分割不准确。同时,现存肾脏、肾实质和肾窦的数据集较少,这也给实验带来巨大的挑战。因此,本文创建了三个数据集,并针对这三部分分割的难题,提出了两个适用于肾脏超声图像分割的深度学习方法。具体工作如下:（1）提出基于全局-局部UNet11的肾脏超声图像分割方法（GL-UNet11）。针对超声图像中肾脏、肾实质和肾窦自动分割存在的内部和边缘分割不准确的问题,首先,将UNet网络加深,提高网络的表达能力;其次,提出一个新的通道注意力模块—全局-局部（GL）模块,该网络综合考虑全局通道和局部通道对预测每个通道重要性的影响,使网络更好地关注重要信息;再次,将提出的全局-局部网络加入到加深的UNet下采样部分的卷积块中,有效地增强了重要通道的特征;最后,采用更适合肾脏超声图像分割的Dice＿BCEloss作为损失函数。实验结果表明,该模型分割这三部分的结果在Dice系数、Io U、特异性和敏感性四个指标上明显优于其他几种深度学习方法。（2）提出基于多尺度UNet11的肾窦超声图像分割方法（M-UNet11）。由于肾窦部分自身特点不明显而且面积较小,在上一个方法中分割准确率比肾脏和肾实质均要低,因此针对肾窦部分的分割在GL-UNet11方法的基础上做进一步的研究:首先将数据集进行中心裁剪,使网络更好地关注肾窦部位,并且可以缩短训练时间;然后在GL-UNet11模型底部加入多孔空间金字塔池化,充分融合语义信息和细节信息;最后用深度可分离卷积替换模型上采样部分的传统卷积,大大降低模型的参数量,也可以提升算法的分割性能。实验结果表明,肾窦的分割结果在Dice系数、Io U、特异性和敏感性四个指标上得到很大提升。