女性乳腺癌已发展成为我国家庭妇女易患的最高危且发病率和预计死亡率均极高的癌症之一,对全国乃至全世界数百万家庭妇女的健康都有重大的风险。倘若可以在病发初期就检测出来并进行适当治疗,患者的治愈率将会大大的提高。目前检测检测乳腺癌的方法多种多样,超声检测因其成本较低、对患者无创以及便携性,成为最常见的检测手段。超声乳腺图像的检查方法主要由手动,半自动,全自动三种组成,其中手动的方法、半自动的方法均是需要一些经验丰富的医师来帮助确定肿瘤的兴趣区、边界,但是由于医师的主观性可能会对肿瘤的分割结果造成不利的影响,所以采用计算机作为辅助的诊断方法被提出以便于获得更加客观的诊断结果。在最近的研究中,深度学习的方法被用于全自动检测超声乳腺图像中,但是深度学习的方法须很多的样本数据来使模型收敛。而在实际操作过程中,经医生标注过的样本数据难以获得。为解决以上问题,本文公开的和自采的超声乳腺B超图像数据集,提出利用卷积神经网络进行全自动分割的方法。主要研究工作有两个部分:（1）首先选用来自波兰科学院基础技术研究所的超声乳腺图像数据,选定稠密卷积神经网络用以训练,该网络的特点是可以增强信息流通并且重复利用特征,从而无需划分兴趣区,直接得到有效肿瘤信息区。以此判断稠密神经网络对乳腺超声图像的分割效果。（2）在基于波兰科学院基础技术研究所的数据训练得到的参数基础上,换用云南省肿瘤医院的临床超声数据集,该数据集经医生标注并进行数据加强以获得更好的语义分割结果。结果表明,稠密神经网络训练准确率可达99.2%,高于传统神经网络85.6%的准确率。对分割结果而言,基于波兰科学院基础技术研究所构建的乳腺超声公开数据库（Open Access Series of Breast Ultrasonic Data,OASBUD）的Dice参数可达83.29%而云南省肿瘤医院数据的Dice参数可达86.03%且分割结果更为精确,噪声干扰显著降低。更重要的是,鲁棒性和泛化能力得到大幅度提升。