乳腺癌作为影响女性健康威胁生命的恶性疾病,一直以来都是通过女性自检和医生经验辅以医学影像诊断病情,这对患者和医生都造成了很多的负担。随着人工智能机器学习的发展和神经网络深度学习的普及,越来越多计算机方法被应用到医学临床中。在这其中的图像分割作为图像处理领域的一项重要研究内容,在医学影像处理上有着广阔的应用前景。从这个方向入手,文章研究并提出了一种全新基于模糊逻辑注意力机制的分割乳腺肿瘤超声图像的深度学习算法模型。传统图像分割算法虽然实现简单执行效率高,但是对于医学图像这种构成特征要素复杂纹理边缘不清晰的图像,其对任务目标区域分割难以达到理想的效果,针对这现象,本文主要做了以下工作:(1)对于原始待分割图像,采用直方图均衡和小波变换方式处理使其细节特征更清晰拥有更多的信息,通过注意力机制改进医学图像分割效果显著的UNet模型,分别在其上采样和下采样结构中嵌入关注特征通道和空间区域的注意力模块,前者更加关注同一尺寸结构下各特征通道间重要程度而后者则更为关注同一特征图上各个位置区域不同要素的重要性权重。这种方式可以更加深入利用提取到的信息,并对上下文浅层和深层信息融合使得分割结果更加精确。(2)创新性的将模糊逻辑引入神经网络中,与注意力机制中对特征要素重要程度进行重新标定的方法相结合,通过隶属函数计算出的各权重不确定度,使其从确定的衡量特征重要性权值转变成带有模糊逻辑不确定性的权值,同时采用更换损失函数,引入空洞卷积和残差结构加深网络等策略,进一步提升模型对乳腺肿瘤区域分割效果。