睑板腺成像技术广泛应用于干眼症的分型诊断、管理与个性化治疗中，但仅靠眼科医生进行直接观察和定性评估，评价主观且可重复性低。为提高眼科医生的诊断效率，研究者们提出了一系列基于U-Net的红外睑板腺图像腺体分割方法，但在图像边缘、出现反光点以及腺体密集区域，分割结果仍不理想。考虑到红外睑板腺图像成像与腺体分布的特点，提出基于形状流和多尺度特征融合的腺体分割模型SS-UNet,引入空洞卷积模块以增强模型的特征提取能力，设计形状流辅助分支以充分学习腺体的形状信息，采用多尺度特征融合模块以获得粗细各异腺体的特征表示。为验证模型的有效性，使用由福州大学附属省立医院眼科收集的包含203幅红外睑板腺图像的全标注数据集在同等实验环境下与其他先进分割模型开展对比实验，并进行模块消融分析，同时展示了可视化结果。实验表明，SS-UNet的Acc、Dice、IoU等指标分别达到了94.62%、80.94%和68.17%,相较于基准网络U-Net分别提升了0.36%、1.41%和1.95%。研究表明，SS-UNet能够充分运用腺体的形状与尺度等信息，解决腺体粘连、漏检等错误分割问题，有效提高分割精度，为辅助临床诊断提供客观依据。