慢性肾脏疾病（CKD）是一种发病率和死亡率都很高的疾病,在几个月到几年的时间里肾功能逐渐丧失,目前已成为广受关注的世界公共卫生问题。早期发现、及时干预可以明显提升慢性肾病患者的生存率。然而,当前最常用的检测手段是医生利用超声图像数据进行阅片诊断,这种方式一方面耗费医生大量的时间精力,每天面对庞大的门诊量医生工作压力较大,另一方面医生的诊断判断易受到自身学识、经验以及认知水平等主观因素影响,使得慢性肾脏疾病的诊断难以做到精准分析,而且某些病症的细微特征肉眼不易察觉。针对当前存在的这种问题,运用深度学习的方法助力计算机辅助诊断（CAD）。为便于慢性肾脏疾病的计算机辅助诊断,本文设计提出两种基于深度神经网络的方法以实现自动检测超声图像中的肾脏,肾脏检测的意义是可以将检测框获取的肾脏超声参数数据提供给医师进行CKD辅助诊断。同时,鉴于学术界肾脏的超声图像数据集较少,为便于超声图像肾脏检测课题研究,本文制作了超声图像的肾脏检测数据集,可供相关领域的科技工作者研究使用。本文提出的肾脏检测方法如下:（1）提出一种基于DYOLO的超声图像肾脏检测方法。YOLOv3在工业界的适用性良好,检测速度快且检测精度高,但是它在面对带有特定伪影、噪声和不规则形变的肾脏超声图像时表现并不优越。本文尝试将具有局部空间可变型的启发性算法——可变形卷积网络（DCN）,融合到YOLOv3中,取得了更好的适应性和检测效果。实验表明,DYOLO算法在肾脏检测数据集上可以达到比YOLOv3更高的检测精度,最高可达到90.5%。（2）提出一种基于SYOLO的超声图像肾脏检测方法。YOLO系列检测算法赢得了工业界广泛好评,2020年集众家所长的YOLOv4被提出,检测效果进一步提升,给学术界和相关科研人员带来更多的福音,但它仍然对超声图像的检测效果不尽完美。本文尝试将具有全局空间可变型的启发性算法——空间变换网络（STN）融合到YOLOv4中,得到的SYOLO对不规则形变的肾脏超声图像具有更好的适应性和检测效果。实验表明,SYOLO算法在肾脏检测数据集上可以取得97.2%最高检测精度。充分证明了本算法的有效性。本文提出的两种方法,皆针对卷积神经网络的空间不变性进行适应性调整,使得调整后的总体网络对超声图像中的肾脏检测任务表现更加优越,大大提升了检测精度,对临床应用于肾脏疾病早期诊断和其他医学目标检测提供了实际意义。