CT图像肾脏分割是进行肾脏疾病定量分析的重要前提,对病情诊断和治疗有着支撑作用,但是肾脏组织结构复杂且形状多样,相关疾病也会导致肾脏形态发生大幅变化,使得从CT图像中准确分割出肾脏存在诸多挑战。现有的传统方法通常处理过程较为繁琐且性能较低。近年来,深度学习在医学图像分析中得到了广泛的应用,展现出良好的性能,本文针对肾囊肿和肾肿瘤两类肾脏疾病,开展平扫CT图像肾脏分割的深度学习模型研究,具体工作包括:囊肿肾脏分割的残差双注意力Unet模型:囊肿病变会导致肾脏形状发生大幅变化,为应对CT切片图像囊肿肾脏自动分割存在的诸多挑战,本文借鉴U-net结构提出一种改进型深度网络模型,为了能够更关注肾脏区域特征,该模型设计有带残差连接的双注意力模块,在残差结构的基础上,联合空间注意力和通道注意力机制自适应学习更加有效的特征表达。实验结果表明该模型能够准确分割CT切片图像中的囊肿肾脏,且各项分割指标优于其他经典分割网络模型。肾脏肿瘤分割的级联门控形状RDA-3DUnet模型:在进行CT图像肾脏肿瘤三维分割时,存在着类别不平衡和小目标的问题,导致肿瘤难以分割,为此本文提出了基于网络级联的两阶段分割模型。为了充分提取体素信息,将残差双注意力模块扩展至三维用以构建U型全卷积神经网络,并针对肿瘤边界不清晰的问题,通过在网络中引入门控机制设计了肿瘤形状分支网络,从而提高对肿瘤的特征提取性能。实验结果表明,该模型的定量分割指标高于其他对比算法。