针对基于表观模型的图像分割算法在特征点迭代定位过程中计算量过大、对非线性局部特征的优化较为困难等问题，采用一种基于监督学习的梯度下降算法，建立4层多分辨率金字塔模型，并使用一种基于巴氏系数的特征提取函数（B-SIFT）替代原方法中的尺度不变特征变换（SIFT）特征，对左心室心内膜及心外膜进行特征点定位。首先对训练集进行归一化处理，统一经食道超声心动图像（TEE）的尺度；然后建立基于多分辨率金字塔和B-SIFT特征的监督下降模型，得到特征点趋近于真实值的梯度下降方向序列；最后将得到的方向序列作用于测试集中，得到最终的左心室分割结果。将该方法与传统监督下降方法进行对比，其得到的分割平均误差相比传统监督下降方法降低了47%，迭代得到的最终值相对单一尺度的梯度下降算法更加逼近真实值。

针对超声图像样本冗余、不同标准切面因疾病导致的高度相似性、感兴趣区域定位不准确问题，提出一种结合特征袋（BOF）特征、主动学习方法和多分类AdaBoost改进算法的经食管超声心动图（TEE）标准切面分类方法。首先采用BOF方法对超声图像进行描述；然后采用主动学习方法选择对分类器最有价值的样本作为训练集；最后，在AdaBoost算法对弱分类器的迭代训练中，根据临时强分类器的分类情况调整样本更新规则，实现对多分类AdaBoost算法的改进和TEE标准切面的分类。在TEE数据集和三个UCI数据集上的实验表明，相比AdaBoost.SAMME算法、多分类支持向量机（SVM）算法、BP神经网络和AdaBoost.M2算法，所提算法在各个数据集上的G-mean指标、整体分类准确率和大多数类别分类准确率都有不同程度的提升，且比较难分的类别分类准确率提升最为显著。实验结果表明，在包含类间相似样本的数据集上，分类器的性能有显著提升。

针对不平衡分类中小类样本识别率低问题，提出一种基于主动学习不平衡多分类AdaBoost改进算法。首先，利用主动学习方法通过多次迭代抽样，选取少量的、对分类器最有价值的样本作为训练集；然后，基于不确定性动态间隔的样本选择策略，降低训练集的不平衡性；最后，利用代价敏感方法对多分类AdaBoost算法进行改进，对不同的类别给予不同的错分代价，调整样本权重更新速度，强迫弱分类器"关注"小类样本。在临床经胸超声心动图（TTE）测量数据集上的实验分析表明：与多分类支持向量机（SVM）相比，心脏病总体识别率提升了5.9%，G-mean指标提升了18.2%，瓣膜病（VHD）识别率提升了0.8%，感染性心内膜炎（IE）（小类）识别率提升了12.7%，冠心病（CAD）（小类）识别率提升了79.73%；与SMOTE-Boost相比，总体识别率提升了6.11%，G-mean指标提升了0.64%，VHD识别率提升了11.07%，先心病（CHD）识别率提升了3.69%。在TTE数据集和4个UCI数据集上的实验结果表明，该算法在不平稳多分类时能有效提高小类样本识别率，并且保证其他类别识别率不会大幅度降低，综合提升分类器性能。

提出了一种基于深度卷积神经网络自动识别超声心动图标准切面的方法，并可视化分析了深度模型的有效性。针对网络全连接层占有模型大部分参数的缺点，引入空间金字塔均值池层化替代全连接层，获得更多空间结构信息，并大大减少模型参数、降低过拟合风险，通过类别显著性区域将类似注意力机制引入模型可视化过程。通过超声心动图标准切面的识别问题案例，对深度卷积神经网络模型的鲁棒性和有效性进行解释。在超声心动图上的可视化分析实验表明，改进深度模型作出的识别决策依据，同医师辨别分类超声心动图标准切面的依据一致，表明所提方法的有效性和实用性。