随着目前医学超声图像学技术不断发展,利用超声引导注射的方法被广泛应用于臂丛神经阻滞麻醉手术中。但由于超声图像的噪音干扰和低分辨率问题,臂丛神经超声图像的分析更依赖医生的经验并且耗时费力。而深度学习方法因其智能、高效的优势,已逐渐成为医学图像分析的首选。利用深度学习进行臂丛神经超声图像智能分析,能自动地从病人的超声医学影像中准确识别出麻醉手术场景中医生所关注的目标部位,为臂丛神经阻滞麻醉提供诊疗辅助信息。为此,本文开展了针对臂丛神经超声图像的多目标分割方法的研究,构建了基于深度学习图像分割技术的多目标分割模型,用于在臂丛神经超声图像中识别关键的多目标解剖组织,从而提升臂丛神经阻滞手术的效率。本文的主要工作内容如下:（1）针对深度学习在超声图像多目标分割的应用,建立了具有专业的医学解剖组织标记且规范化的臂丛神经超声图像数据库,以训练识别精度更高、更高效的超声图像多目标分割模型。（2）提出了臂丛神经超声图像多目标分割网络,引入实际医学场景的先验知识约束网络模型不断学习超声图像中多目标之间的关系。利用超声图像数据库,训练出了能够在超声图像中同时精确分割出神经、静脉血管、动脉血管、肌肉组织等关键解剖组织的深度学习模型。（3）搭建了臂丛神经超声图像的对抗样本生成网络。通过学习干扰生成了多种对抗攻击后的对抗样本,并通过对抗训练增强网络的稳定性和鲁棒性。