从超声图像中分割出左心耳（LAA）是得出临床诊断指标的重要步骤，而准确自动分割的首要步骤和难点就是实现目标的自动定位。针对这一问题，提出了一种结合基于深度学习框架的自动定位和基于模型的分割算法的方法来实现超声图像中LAA的自动分割。首先，训练YOLO模型作为LAA自动定位的网络架构；其次，通过验证集确定最优的权重文件，并预测出LAA的最小包围盒；最后，在正确定位的基础上，将YOLO预测的最小包围盒放大1.5倍作为初始轮廓，利用C-V模型完成LAA的自动分割。分割结果用5项指标加以评价：正确性、敏感性、特异性、阴性、阳性。实验结果表明，所提方法能够实现不同分辨率条件和不同显示模式下LAA的自动定位，小样本数据在1000次迭代时已经达到最优的定位效果，正确定位率达到72.25%，并且在正确定位的基础上，C-V模型的分割准确率能够达到98.09%。因此，深度学习技术在实现LAA超声图像的自动分割上具备较大的潜力，能够为基于轮廓的分割算法提供良好的初始轮廓。