高强度聚焦超声（high intensity focused ultrasound,HIFU）凭借微创、高效等优点逐渐盛行于临床中肿瘤的治疗。其主要原理是将超声波能量聚焦到病灶区域瞬时产生65℃以上高温,使得肿瘤组织迅速变性、凝固坏死,同时对病灶区域以外的组织损伤很小。因而,在HIFU治疗过程中,治疗区域的损伤状况、形状大小的监测占据重要地位,能有效指导医生进一步治疗。本文以新鲜离体猪肉组织作为实验样本,获取HIFU辐照前后的B超图像,截取64×64的HIFU治疗区域图像,研究了HIFU治疗区域的变性识别方法,并进一步研究了HIFU治疗区域的分割方法。主要工作如下:（1）优化HIFU治疗区域自动识别方法:经客观筛选后的最佳特征参数组合输入适合小样本的广义回归神经网络（Generalized Regression Neural Network,GRNN）、适合二分类的概率神经网络（Probabilistic Neural Network,PNN）自动识别HIFU治疗区域的变性情况。首先,提取超声减影图像的灰度-梯度共生矩阵中14个特征参数及灰度差分中4个特征参数,然后利用t检验、Wilcoxon秩和检验对冗余特征参数进行一次筛选,再利用欧氏距离判定法对一次筛选出来的特征参数进行二次选择,最后选取了欧氏距离靠前的灰度分布不均匀性、梯度分布不均匀性2个最佳特征参数随机组合输入GRNN、PNN进行HIFU治疗区域的变性自动识别。结果表明:最佳组合输入GRNN、PNN的总识别率分别高达98.04%、99.02%,比输入筛选掉的平均值、对比度组合的总识别率分别高出18.63%、33.33%,成功提高了HIFU治疗区域的识别率,且最佳组合输入GRNN、PNN比输入课题组以往使用的SVM分别高出5.88%、6.86%。（2）进一步对HIFU治疗区域形状、边界、大小进行研究,提出了将局部统计得到的目标区域与背景区域灰度均值的绝对差值范围作为区域生长方法阈值范围的粗略估计方法,并提出一种将快速移位（Quick shift）聚类算法与区域生长法相结合的B超图像HIFU治疗区域分割的新方法。首先采用Quick shift算法进行图像聚类,然后结合区域生长算法分割出治疗区域。结果表明:本文研究方法优化了区域生长算法,使其阈值在一定范围内取任意值都可以保持分割性能的稳定,而且分割精度也得到提高。