当前,随着深度学习和医疗设备的高速发展,医学图像数据的种类和规模都呈现出井喷式的增长,面对海量图像数据的处理消耗大量的人力物力,为了节省人工处理的资源,研究学者针对不同种类的图像引入深度学习方法去处理海量的医学图像。在机器视觉领域中使用深度学习方法分割超声图像成为了医疗设备辅助诊断的关键步骤之一。然而超声图像具有噪声污染、灰度相近、边缘模糊不清等缺点,导致眼球超声图像的分割结果不理想。本文论文以深度学习、图像处理为基础,对眼球超声图像的语义分割算法进行研究,研究内容涉及可变形卷积、基于语义嵌入的注意力机制分割算法。具体工作如下:（1）基于可变形卷积和语义嵌入等方法,改进了基于Unet的眼球超声图像分割算法。首先,眼球超声图像具有噪声干扰、区域模糊、灰度相似等特点,因此基于Unet的编码器-解码器网络架构,利用可变形卷积替代传统的卷积操作,更好地适应眼球区域的几何形状,提高卷积神经网络的特征学习能力。针对Unet分割网络使用跳跃连接导致不同层之间语义差异的问题,引入语义嵌入分支,融合不同层次之间的特征信息,为解码器特征恢复提供更加精细的特征;其次将眼球超声图像数据集随机划分成4290张灰度图像的训练集和168张灰度图像的测试集,选择恰当的网络参数进行多次训练和预测;最后,与常用的分割网络对比,对实验的预测结果进行分析,验证本文算法的分割性能。（2）提出了基于语义嵌入式注意力机制的眼球超声图像分割算法。首先基于注意力机制构建了眼球超声图像分割网络,在特征提取阶段引入语义嵌入分支实现不同层特征之间的融合,丰富特征的细节信息和语义信息,通过注意力机制突出超声图像中眼球区域的显著性特征,提高网络对眼球区域特征的理解和表示,减少不必要的错误分割;其次,分割网络在眼球超声图像训练集上进行多次训练和消融实验,进一步优化本文网络分割模型;最后,为了证明本文提出的眼球超声分割算法的有效性和分割能力,在眼球超声图像的测试集上进行对比实验,与三种主流的分割方法进行定量和定性比较。