乳腺肿瘤是近年来威胁女性健康的常见疾病,临床表明,早期的乳腺肿瘤如果能被及时发现并给予治疗,多数都可成功治愈,因此乳腺肿瘤的医学诊断尤为重要。超声成像技术利用超声波声束穿过人体,根据声波反射的强弱形成超声图像,可以方便直观地观察人体内的肿瘤、畸形等形态结构发生变化的疾病。如今,该技术已经凭借其无创、无痛、成本低廉的优点广泛应用于乳腺肿瘤的检测中。为了降低对乳腺超声图像的误诊率,辅助医生工作,让计算机能自动地识别出肿瘤区域及周围组织结构是本文研究的主要目的。在医学图像处理领域,识别目标的主要方法是通过图像分割来取得目标区域。本文研究的方法是对图像做语义分割,这种分割方法不仅能确定目标的位置,同时还能够识别出目标的类别,通过分类模型计算每个像素点的类别概率分布,使用全连接条件随机场模型来对整幅图像进行优化,以确定每个像素点的类别,达到语义分割的目的。本文首先对目前国内外在图像分割领域的研究现状作了总结,接下来提出本文的图像语义分割方法的思路,对取得的乳腺超声图像样本提取多种不同的特征,之后分别对它们使用支持向量机模型训练,比较其在测试样本上的图像分割效果,实验中由全卷积神经网络提取的深层次特征具有较好的分割准确性,本文将这种图像分割得到的像素类别概率分布插值放大后得到本研究的图像粗分割,然后提出了一种基于医学先验约束的全连接条件随机场模型,该模型考虑了乳腺超声图像中组织器官的层次特点与相邻关系,增加了类别间距离约束项,可以对不符合医学常识的分割结果给予惩罚,以纠正粗分割中分类模型产生的错误分割。实验表明,本文的方法能够很好的处理图像特征不明朗、SVM分类器产生违反医学常识的识别结果等问题,可以在乳腺超声图像上取得较好的分割效果。