近年来，医学成像技术的作用已经从原先人体解剖结构的非侵入检查和可视化，逐渐发展为临床上用于医学术前检查、手术图像引导、病灶跟踪的重要工具。如何获取高清晰，高分辨率的人体解剖组织结构特征及对目标病灶的分割精确率在临床上对医生的诊断分析、治疗与术后监测具有重要的意义。　　医学超声影像凭借其安全性、无创性、快速性、价格低等优势在临床医疗诊断方面起着重要作用。医学超声成像将超声波作为探测手段，通过接收人体内部器官及表面的散射、反射或投射从而显示其二维或三维图像。普通的超声图像无法清晰反映器官组织也为临床上的诊断及后续治疗带来了一定的困难。临床上，医生通过病人的超声图像可以对病情进行初步的估计，且对于目标病灶的边缘分割也一般是用手工的方式，该方法具有较强的主观性，与医生的临床经验有关，且工作量大。超声图像的斑点噪声及弱边缘的存在对病灶边缘的提取造成一定的影响，故本文将对超声图像的去噪及弱边缘分割算法进行研究，改善超声图像的清晰度及分割的精确度。基于以上思想，本文的主要工作及创新如下：　　1、由于人体内器官组织的复杂性，加之超声图像固有的斑点噪声，导致传统去噪算法在抑制斑点噪声的同时，容易导致图像中的细节及边缘信息缺失。本文利用各层curvelet系数局部方差在超声图像纹理与平滑区域的差异，提出了一种基于curvelet变换自适应阈值的去噪声算法，算法分别定义模糊区域和隶属度函数，结合隶属度确定阈值，最后由该自适应阈值实现对超声图像的去噪。经实验测试，该算法能有效地降低了超声图像的斑点噪声，且尽可能地保留原有图像的细节信息。　　2、超声图像成像固有机制的不足及生物组织结构的复杂性，导致超声图像在边缘处容易表现出不完整性，出现一些灰度小，对比度差的弱边缘，严重影响后期对病灶边缘的分割准确性。传统的Live_wire算法对弱边缘的分割效果较差主要是因为该算法的代价函数对弱边缘的表示不足。本文由人类视觉角度发将结构信息从图像当中分离出来，并利用强边缘与弱边缘之间存在着一定的结构相似性这一特点提出了一种对强、弱边缘结构相似性的评估方法，将其做为Live_wire算法中目标边缘代价值，从而提高算法对弱边缘提取的能力。实验测试表明，该算法较好地改进了传统算法代价函数在弱边缘上表示的不足，对超声图像的弱边缘具有较好地分割效果。