乳腺腫瘤的精準分割是病變判定的重要前提，現有的分割方法存在參數量大、推理速度慢、內存資源消耗大等問題。針對上述問題，本文在Attention U-Net的基礎上提出一種融合雙路徑聯合蒸餾的乳腺癌超聲影像輕量化語義分割模型T2KD Attention U-Net。首先，根據良惡性乳腺病灶不同的特征表示和上下文語義信息設計兩個教師模型來學習每一類圖像的細粒度特征；其次，采用聯合蒸餾的方法訓練輕量化的學生模型；最后，構造權重損失均衡函數來聚焦小目標的語義特征表示，解決數據前景和背景像素不平衡問題。該模型在Dataset BUSI和Dataset B兩個數據集上取得了良好的性能，Dataset BUSI上的準確率、召回率、精確度、Dice系數和mIoU分別為95.26%、86.23%、85.09%、83.59%和77.78%；在Dataset B上分別為97.95%、92.80%、88.33%、88.40%和82.42%，模型的整體性能有顯著提升。相比教師模型，學生模型參數量、模型大小和計算復雜度顯著降低（2.2×106 vs. 106.1×106，8.4 MB vs. 414 MB，16.59 GFLOPs vs. 205.98 GFLOPs）。總體而言，該模型在保證精度的同時大幅降低了計算量，對臨床醫學場景的部署提供了新的思路。