喉疾病的种类多样,如近几年发病率逐渐增高的声带息肉和声带小结,会对人们的发声和呼吸功能造成影响,严重的还会导致癌变。喉内窥镜检查是目前临床上诊断喉疾病的主要方式。随着喉镜图像的数字化和可存储性的发展,基于喉镜图像的计算机辅助诊断技术开始被研究和实现。而声门分割则是对喉镜图像进行自动分析的重要前提。声门指的是喉部两条声带之间的区域。声门的形态反映了声带的状态,在喉疾病的诊断中起着重要作用,精确的声门分割是进行后续计算机辅助诊断的重要前提。但是由于声门形态的差异性,声门区域与周围组织对比度较低,疾病的干扰等因素,自动声门分割一直是一项有挑战性的任务。本项目设计了结合颜色归一化操作的注意力机制深度U-Net模型（Deep Attention U-Net,DA-Unet）实现对普通电子喉镜图像中的声门区域的端到端分割。针对喉镜图像之间颜色差异较大的问题,首先对原始的喉镜图像进行颜色归一化操作的预处理。处理后的图像被输入本项目设计的注意力机制深度U-Net网络（DA-Unet）中实现精确的声门分割。该网络在U-Net的基础上加入了残差结构用于加深网络结构,提取更丰富的特征,使网络适用于形态各异的声门分割;当提取到高层次的特征后设计了扩张特征金字塔注意力模块来加强声门区域的语义信息,以避免其他区域对声门的分割造成干扰;最后在上采样的过程中逐步的将高层特征和相对应的底层特征通过逐像素相加进行融合以此来更好的恢复声门的位置和细节信息,得到更加精确的声门轮廓。为了对所提出的方法进行测试,本文建立了喉镜图像数据集,数据集中包括健康人和喉疾病患者的电子喉镜图像。在建立的数据集上,通过一系列的对比实验分别对颜色归一化操作,DA-Unet网络中各个子模块以及整体算法的效果进行验证。实验结果均表明了所设计算法的有效性,和一些经典的分割模型相比,本文的算法在声门分割任务中有着更好的表现。为了进一步验证本文声门分割工作的研究意义,最后将所设计的声门分割算法应用于喉疾病的检测中,也取得了不错的效果。这也说明了本课题的研究工作对喉疾病计算机辅助诊断系统的发展会有重要的应用价值。