在现有的癌症中,乳腺癌发病率排名第二,致死率排名第五。早发现早治疗对于乳腺癌的治愈具有重要的作用。超声图像由于其价格便宜、无辐射等优点已成为乳腺癌早期诊疗的常用工具。超声图像分割将乳腺肿瘤分割出来,是对肿瘤进行量化分析的基础,对于乳腺癌的诊疗具有重要的作用。然而现有方法仍存在一定的局限:（1）传统的方法使用低级特征难以有效地处理超声图像中灰度不同质性、斑噪声等复杂特点。（2）现有方法忽略了分割精度和效率的平衡问题。（3）现有方法使用单一模型限制了分割精度的进一步提升。深度学习由于其强大的特征表示能力,近年来已在医学图像分割任务中取得了巨大突破。为了克服现有方法的局限,实现精准的乳腺肿瘤分割,本文结合深度学习技术,研究了基于深度学习的乳腺超声图像分割关键技术:1.针对传统的水平集方法只使用低级特征难以有效地处理超声图像肿瘤区域的复杂特点问题,本文提出了一种上下文水平集分割方法。首先利用一种编码解码结构的网络学习具有高级语义的肿瘤上下文信息。然后在传统水平集能量函数基础上提出了一种上下文能量项,该能量项可将高级的上下文信息嵌入到水平集模型中。学到的具有语义信息的上下文特征具有一定的类别信息,其对灰度不同质性具有更好的鲁棒性,有利于提升分割性能。在三个数据集上的实验证明了提出方法的分割精度优于传统方法。2.针对现有分割方法使用单一分割框架难以达到分割效率和精度平衡的问题,本文提出了一种难度感知先验引导的层次化分割网络。首先提出一种难度先验学习模块学习由于超声图像复杂性导致错分像素的特性。然后提出了一个难度像素处理单元,针对错误分割的像素学习更具区分性的特征。最后,设计了一种自适应的分割框架,对于简单的像素采用简单的特征学习器学习其特征,对于较难的像素,额外引入难度像素处理单元增强对难度像素特征学习能力,进而实现分割效率和精度的同时提升。在三个乳腺超声数据集上验证了提出方法在分割精度和效率上都有一定程度的提升。3.为了克服单一模型对于肿瘤有效信息学习不足的缺点,提出了一种多级区分性特征嵌入的水平集组的乳腺肿瘤分割方法。提出的水平集组融合了多个区分性基础水平集模型。在每个区分性基础水平集模型中,嵌入了由深度学习模型学到的区分性特征,提升单个模型对肿瘤的分割精度。最后,再将若干个基础水平集的分割结果进行融合,作为最终的分割结果。在三个数据集上的实验证明了提出方法的有效性。