针对医学超声影像噪点多、边界模糊，器官轮廓很难界定的问题，提出了一种基于空间分频的超声图像分割注意力网络（SFDA-Net）。首先，借助Octave卷积在整个网络中对图像实现了高、低频并行处理，从而获得更加多元的信息。然后，加入卷积块注意模块（CBAM），使图像特征恢复时更加关注有效信息，以减小分割目标整体区域的缺失。最后，使用Focal Tversky Loss作为目标函数，从而降低简单样本的权重并加强对困难样本的关注，以及降低各个类别间因像素误判而引入的误差。通过多组对比实验可知，SFDA-Net的参数量低于原UNet++，而分割精度提高了6.2个百分点，Dice得分提高了8.76个百分点，类别平均像素准确率（mPA）提升至84.09%，平均交并比（mIoU）提升至75.79%。SFDA-Net在降低参数量的同时稳步提高了网络性能，实现了更为准确的超声心动图分割。