在我国甲状腺相关疾病在人群中发病率逐年上升,利用计算机辅助医生对甲状腺疾病进行筛查及诊断将大大降低医生的工作量。超声成像技术因其实时、价格较低、无创、无放射性等特点,成为诊断甲状腺疾病的主要方式。然而超声图像的固有特性如斑点噪声、信号丢失以及对比度较低等,增加了从其中分割出甲状腺区域的难度。针对以上问题,本文围绕模糊连接度分割算法以及深度学习模型展开研究。模糊连接度分割算法在磁共振成像（MRI）和计算机断层成像（CT）中已被广泛使用,但在超声影像中的应用却较少。通过实验我们发现已有模糊连接度理论对于超声图像中相邻组织间的模糊边界分辨力不足,且原本模型中模糊亲和力隶属函数对于像素在空间结构上的相似性度量不足。为有效解决该问题,本文结合图像局部信息熵对模糊亲和力的定义进行了扩展,提出了基于局部信息熵的半自动模糊连接度分割算法。通过对比实验,我们验证了基于局部信息熵的模糊亲和力隶属函数设计的有效性;同时也证实该模型较原有模型在甲状腺超声影像中的分割效果有较大提升。一般情况下模糊连接度算法需要人工初始化种子点序列,而种子点位置的选择对于能否得到期望的分割结果有较大影响。为实现自动模糊连接度分割算法,本文利用深度神经网络粗分割结果,自动初始化种子点。提出了基于深度网络粗分割的自动模糊连接度分割算法。通过实验,本文发现:自动模糊连接度分割算法的分割效果优于半自动的模糊连接度分割算法;使用结构更优的深度神经网络可以从一定程度上提升自动模糊连接度分割算法的分割效果;自动模糊连接度分割算法所用的训练数据明显低于深度学习模型。基于深度网络粗分割的全自动模糊连接度算法对于获取标签数据成本较高的医学图像分割领域有一定实用价值。损失函数对于训练出有效的深度神经网络模型至关重要。在训练医学图像分割网络模型时使用的损失函数多是逐像素的损失函数,通过改进损失函数来提升模型整体的分割效果往往比设计新的网络结构更简单有效。本文利用相对模糊连接度的概念将超声影像中甲状腺与气管的相对位置作为先验知识加入损失函数中,设计出基于相对模糊连接度损失的深度学习分割算法。使用基于相对模糊连接度的损失函数训练模型能够加快模型收敛速度,在分割效果上比使用交叉熵等损失函数训练的模型更优。与自动模糊连接度分割算法相比,该算法实现了甲状腺超声图像的端到端分割。