乳腺癌是影响全世界妇女健康的最严重疾病之一,因此开发一种能够在早期阶段发现乳腺癌的方法是非常迫切的。乳腺超声成像成本低、携带方便,因此它成为乳腺癌诊断的最重要方法之一。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,这类方法未能有效利用乳腺超声图像中的高维信息,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:（1）针对以往无法同时利用乳腺超声图像三个维度信息和进行语义分割所需的计算机资源过多的问题,提出了一个基于三维注意力机制的乳腺超声图像分割算法。引入了一个差分和排序操作,对于三维体积的每一个切片,总结其相邻的信息,以有效地利用第三维。设计了一个改进版的并发空间和通道“挤压和激发”块,它用深度卷积层取代了全局平均池和全连接层,从空间维度抽象出信息,并减少了参数的数量。改进了一个注意力增强的二维U-Net,将三维体积的二维切片作为输入。最终把所有的模块放在一起,形成最终模型——基于三维注意力机制的乳腺超声图像分割算法。（2）针对医学图像数据不足和偏差现象导致的性能下降问题,提出了一种基于改进型U-Net++的乳腺超声图像分割算法。以U-Net++模型作为特征提取的基本模型,并采用Efficient Det作为编码器以替代原U-Net++编码器。在编码器中融合CSSE块,通过注意力机制聚焦关键区域。重新设计了网络结构,在保证性能不损失的情况下减少了模型参数的数量,提高了模型的运行速度。针对本文提出的两种乳腺超声图像分割算法分别设计了充足的实验,验证其可行性和有效性。另外,设置对比实验,引入U-Net、FCN和Mask R-CNN等算法进行比较。实验结果表明,通过本文提出的算法,图像中的特征可以得到更有效的利用,在准确率上有明显的提高,比较接近医师标注的轮廓。