深度学习在医学图像分析中的可使用性和潜力在过去几年中显著增加,由于医学图像的手动注释对于临床专家而言非常耗时,因此可靠的自动分割算法是处理大量医学图像数据注释的理想方式。医学图像的自动分割算法用于描述医学图像的解剖结构和其他感兴趣区域,并指导放射治疗和改进放射诊断。受深度学习的成功驱动,深度学习的应用潜力使其成为医学图像分割算法的主要选择。目前,在各种医学分割任务上,基于深度学习的自动分割算法取得了显著的性能。本文主要通过分析基于深度学习的医学图像分割算法研究现状,得知现有基于CNN模型的医学图像分割算法存在特征利用率低、类别不平衡、不同尺度特征利用率低、无法有效建模远距离特征之间依赖关系等问题。然后在U型特征编解码模型结构基础上,提出两种不同的自动分割算法,通过架构不同的网络实现对这些问题的有效解决。本文主要研究内容和贡献如下:（1）按时间推移顺序阐述了医学图像分割相关算法。首先,对几种传统的医学图像分割算法的算法原理和应用进行表述;然后,对CNN模型的基本组成和基于CNN模型的医学图像分割算法归纳介绍;最后,对Transformer模型的基本组成和基于Transformer模型的医学图像分割算法归纳介绍。通过对医学图像分割相关算法的系统阐述,为本文提出基于深度学习的医学图像分割算法提供理论支撑。（2）提出了一种基于DFM-Net网络的医学图像分割算法。DFM-Net网络建立在U型特征编解码结构基础之上,使用密集连接模块增强特征的传递与利用;利用非局部操作模块挖掘密集的上下文信息,建模远程特征依赖关系;使用多尺度机制融合上采样过程中不同尺度的全局上下文信息,实现更加鲁棒的分割性能。（3）提出了一种基于Cross-Net网络的医学图像分割算法。Cross-Net网络结合U型特征编解码结构的设计理念,将跨尺度分块层、Cross Former模块与跳跃连接相结合实现算法设计。跨尺度分块层采样输入图像的不同尺度特征;Cross Former模块在不同图像分块特征之间建立注意力机制,捕获远距离特征依赖关系。CrossNet网络解决了基于CNN模型的医学图像分割算法中卷积层提取特征的局部性,兼具全局远距离特征依赖关系建模和充分利用不同尺度特征的优点,对各种尺度的目标定位更准,整体分割性能更强。