医学图像分割技术是临床医疗的一种主要辅助方法,但对于医学图像来说,标注数据的获取通常是昂贵的。与自然图像相比,医学图像在分割任务中需要专业医生对其进行筛选和标注,尤其是含有多个器官组织的图像。为了减轻标记人员的工作量,近年来人们提出了许多半监督的学习方法,在减少标记样本数量的同时获得高性能的机器学习模型。另一方面,半监督学习利用少量标注数据和大量未标注数据的学习方式更加符合临床的实际需求,所以在医学图像分割任务中使用半监督的学习方法是一种符合实际且有前景的研究方向。本文将对医学图像分割具有显著效果的U-Net模型作为研究方法的基础模型。通过三个方面对半监督分割方法进行研究,同时选取乳腺肿瘤超声数据集,关节炎软骨切面超声数据集和甲状腺结节超声数据集进行训练和验证。本文主要做了以下工作:（1）设计了弱标注编码器,将弱标注编码器与U-Net网络进行结合,使神经网络更大程度上关注图像中弱标注框内的区域,采用半监督Mean Teacher方法进行模型训练得到能够生成高质量伪标签的辅助分割模型,并利用伪标签训练进一步得到分割的主模型。主模型的分割性能与通过全监督训练方式得到的模型性能相近,但整个过程只需要对数据集进行弱标注和极少量样本的像素级全标注,不足之处在于有标记数据集的随机选取和两阶段训练过程。（2）提出了基于主动学习的半监督医学图像分割框架,目的在于有针对性地选取有标记数据集。根据主动学习的特点设计了自编码器对训练数据进行特征提取,并通过特征聚类和熵排序的方式挑选出需要进行标注的初始数据集,之后与半监督方法进行结合,提出了基于不确定性去重的查询策略用于不断更新有标记数据集。大量的实验证明了该框架能够进行合适的标记样本选取,在标记数据集的样本数量较少时可以显著的提高模型性能,并能够与任何半监督方法进行有效结合具有普适性。（3）对交叉伪监督的半监督方法进行改进,将该方法应用于医学图像的分割任务中,并将改进后的方法和特别设计的损失函数将工作（1）的内容优化为端到端的训练任务,减少了模型训练时的复杂度。最后,通过将该方法与工作（2）中的框架进行结合,进一步提升了模型的分割性能。