近年来,乳腺癌占据女性癌症发病率的首位,对女性的生命健康造成极大的威胁。作为一种无创、快速和廉价的技术,超声成像技术已成为诊断乳腺癌的重要方式。为了降低诊断的主观性和减少医师的工作强度,计算机辅助诊断系统不断发展,而图像分割的结果对系统的最终判断起到关键作用。然而,超声图像的高噪声、低对比度和均匀性差的特性,使得乳腺超声图像分割仍然是一个极具挑战性的问题。目前,基于传统机器学习的分割方法,大多是通过提取图像小块的低层特征进行分类,进而实现分割。然而,这类方法得到的分割边缘往往不连续,难以准确地表达乳腺肿瘤的形态。为了实现更准确的分割,本文提出两种乳腺超声图像分割方法。考虑到高层语义特征有助于乳腺肿瘤的定位和类型判断,本文在提取超像素的低层图像特征的基础上,使用K均值聚类,构造词袋模型,获得更高层的语义特征。在利用语义特征分类后,设计了一个再分类的方法纠正部分误分类的超像素,进一步提升分割性能。随后,为了进一步减少分割目标和特征的语义鸿沟,本文提出基于多尺度注意力机制的网络模型,将多尺度特征和注意力机制结合,应用到全卷积神经网络中。该网络模型中,本文借鉴残差学习单元的思想,设计了多尺度残差模块,使用不同尺寸的卷积核构建多个跳连通道,增强网络的特征提取能力。除此以外,还提出一种基于多尺度注意力机制的上采样模块,低层特征经过注意力机制进行选择,然后和高层特征相加融合,增强图像空间位置信息的恢复能力。本文使用320幅临床乳腺超声图像作为实验数据集,对提出的两种方法进行五折交叉验证。实验结果表明,本文提出的基于超像素分类的方法的综合分割性能优于四种传统图像分割方法,并与全卷积神经网络接近;同时,文中提出的基于多尺度注意力机制的方法优于FCN、Seg Net和U-Net,取得最大的F1-score值。本文提出的两种方法均能准确地提取肿瘤的边缘,同时边缘连续且平滑,比较接近医师标注的轮廓。