人体皮肤的表皮层和真皮层的厚度变化可以反映人体皮肤特征,是皮肤特征的重要评价指标,多种皮肤疾病的表现都与真、表皮肤的厚度变化直接相关,包括系统性硬皮病、银屑病、特异性皮炎、荨麻疹等。超声诊断技术在临床的应用非常广泛,使用高频超声对皮肤进行真、表皮层厚度的诊断具有实时性、无损伤、可重复等优点,但是由于超声图像对比度较低,且不同人群不同性别的患者其皮肤特征有所不同,而且表皮层、真皮层以及皮下组织之间的分界面比较模糊,会对不同医生的诊断造成差异,并且人工测量皮肤厚度会耗费大量精力和时间。由于我国的人口基数相对较大,医疗需求较大,医生在诊断过程中看超声影像片会耗费太多的精力和时间,增加了医生的负担,所以对计算机辅助诊断技术提出了急切的需求。本文利用深度学习网络模型对人体皮肤的二维超声图像进行表皮层和真皮层区域的分割,由于超声图像中皮肤不同区域的分界面相对模糊,人体不同位置的皮肤厚度也不一致,而且年龄和性别的差异也会对皮肤厚度造成影响,所以利用现有的神经网络模型对其进行分割的效果并不理想,本文基于深度学习的基本理论,基于U-Net网络模型设计了一种新的神经网络。本文的创新点和研究贡献主要是针对人体皮肤的二维超声图像进行表皮层和真皮层区域的自动分割,提出了一种适合于其的深度学习分割网络,该网络以U-Net网络模型为基础,在下采样过程中融入了残差连接,在提取特征的过程中可以提取到更多有效的细节信息,设计了一个密集残差模块,利用其内部不同的感受野和融合机制来提高特征提取过程中特征的丰富度和包含的信息量,在上采样模块中加入了自行设计的注意力上采样模块,加强包含有用信息的特征并抑制了无用特征,使得在上采样过程中可以得到更加精细的输出。并且设计了一个后处理模块,对网络模型输出的分割结果进行后处理操作,进一步提高了分割的精度。最后,利用在专业医生指导下自行采集并标注的皮肤超声图像对本文方法进行实验验证,并与一些经典网络进行对比,证明了本文所设计的网络的有效性,并且经过后处理模块,进一步使得皮肤表皮层和真皮层的分割精度得到提升。