肝脏是人体内部最为重要的以代谢为主的器官,与人们的生命健康安全息息相关。肝脏疾病主要分为两种类型,弥漫性病变和局灶性病变。肝纤维化是弥漫性病变中最常见的肝脏疾病,其发展到后期可能导致肝细胞癌的出现,而肝细胞癌是局灶性病变中危害程度最高的肝脏疾病,致死率居高不下。提高这些疾病诊断的准确率,有利于为治疗患者提供有效的指导意见,提高患者的治愈率。超声成像因其无创、可重复操作以及无辐射等优点,已广泛应用于这些肝脏疾病的临床诊断。因此,基于超声图像的肝纤维化等级分类和肝细胞癌诊断的分析与研究具有重要意义,能够为临床医师提供至关重要的辅助诊断作用。然而,由于超声成像机理导致图像存在斑点噪声,降低了图像的对比度和分辨率,模糊了组织细节,给图像的进一步分析造成了巨大的困难。本文主要利用深度学习方法针对超声图像的斑点噪声抑制以及基于肝脏超声图像的两种典型肝脏病变的分析展开研究,主要贡献如下:（1）超声图像斑点噪声抑制的重点在于平滑均匀区域的同时要保护组织结构细节。本文提出了一种基于分布先验和组织结构先验的混合深度神经网络来进行超声斑点噪声抑制。根据超声斑点噪声的模型,利用最大似然估计方法在对数变换域估计噪声分布参数,然后结合无噪声自然图像数据构造数据集,以训练斑点噪声抑制网络。同时,利用深度神经网络提取组织结构信息用于微调斑点噪声抑制网络,提升网络的组织结构细节保护性能。实验表明,本文方法能够在平滑均匀区域的同时很好地保护组织结构细节。（2）基于肝脏超声图像的肝纤维化不同等级之间的区分性是细粒度的,影响了肝纤维化等级精细化的分类。本文提出了一种基于局部一致性注意力整合的深度神经网络来实现精细化的肝纤维化等级分类。该网络采用图像金字塔结构去构造图像的多分辨率表示,以提取到对不同肝纤维化等级具有区分性的细节特征,然后在每一个分辨率中嵌入局部一致性注意力机制来抑制干扰信息,同时增强特征表示。实验结果表明,本文方法能够有效地挖掘到具有区分性的特征,实现肝纤维化等级精细化的分类。（3）如何提取到不同肝脏超声造影图像灌注时期之间的时间相关性,以及如何有效地融合不同灌注时期的特征是提高肝细胞癌诊断准确率的关键。本文提出了一种基于深度神经网络多视角增强模式挖掘的方法来进行肝细胞癌与其它肝脏恶性肿瘤的分类,以实现对肝细胞癌的诊断。该网络利用视角相关学习方法来学习不同灌注视角之间的时间相关性,并利用这些相关性去增强每个灌注视角的特征。然后,利用两步正交投影方法来融合不同灌注视角的特征,去除它们之间的冗余信息。实验结果表明,该方法能够有效地挖掘不同灌注视角之间的时间相关性,并且能够高效地融合不同灌注视角的特征,提高了肝细胞癌的诊断性能。