膝关节是人体最大且最复杂的关节,近年来,膝关节疾病频繁的出现在我们的身边,严重影响了人们的正常生活。目前,针对膝关节的诸多疾病仍采用人工穿刺治疗的方法,这在费时费力的同时,也对临床医生提出了较高的要求。为了解决人工穿刺时间长、对医师经验要求高、受主观因素影响等问题,本文提出了一种基于目标检测和图像分割的穿刺靶点定位算法,为手术机器人实现自动穿刺提供了更可靠的依据。针对膝关节超声病变图像中病变区域与背景颜色相似难以直接区分的问题,通过目标检测网络对原始图像进行预处理,获得了包含目标区域的矩形框。考虑到整个系统实时性的问题,分别比较了SSD、YOLOv3、Mobilenet-SSD三种检测速度较快的单阶段检测网络,并从中选择了一种适合本文任务的检测网络。同时,考虑到数据集大小对网络学习的影响,采用裁剪、平移、随机旋转等多种方法对原始数据集进行扩增。为了精确地分割出病变区域,采用语义分割的方法对检测得到的图像进行像素级的分类。对比了常用的U-net和Deep Lab网络的分割结果,并针对检测网络输出的尺度不同的矩形框图像,在VGG网络中引入了空间金字塔池化(SPP),提出了一种VGG-SPP分割网络,该网络具有较好的尺度不变性。同时,由于目标区域与背景颜色极为相似,在训练VGG-SPP网络时,将原始的交叉熵损失函数改为带指数项权值因子的损失函数,提升了难分样本的分类精度。最后,通过实验证实了分割检测图像比分割原始图像在各项指标上都提高了0.11以上,VGG-SPP网络在训练集和测试集上的Dice系数达到了0.92和0.85。针对分割网络输出的不规则形状的二值图像,通过对其轮廓进行凹凸性分析,并采用基于凹点匹配的方法计算出轮廓上最佳的子区域分割点。考虑到部分病变区域属于全凸多边形,不需要进行子区域划分,本文根据凹区域个数确定子区域划分情况。采用图像矩的方法计算出每个子区域的质心,将其作为最佳的穿刺靶点。最后,本文通过实验验证了所提出的定位算法计算出的靶点位置满足穿刺要求。