肝脏在人体内部代谢和排毒方面的作用不可或缺,但是肝脏疾病不仅种类繁多,而且发病率也居高不下,其中原发性肝癌的致死率更是在癌症中排在了第三位。针对肝脏肿瘤这种发病率和死亡率都很突出的病症,在初期以预防为主,中后期多采取部分肝脏的切除手术作为治疗手段。在肝脏疾病的诊断和治疗过程中,医生需要借助医学影像对肝脏情况进行观察和剖析。随着医疗水平的不断提高,医学影像数据量剧增,人工分割已经无法胜任医学影像分析的工作。因此,自动化的医学影像分割更有助于提高医疗人员的工作效率,且能够有效降低医生主观性分析导致的评估差异。深度学习方法在图像全局信息和上下文信息的获取上具有优势,近年来在医学图像分割研究中备受青睐。结合对当前肝脏及肝脏肿瘤分割研究的分析和总结,本文以深度学习中的U-Net模型为基础,开展了对肝脏和肝脏肿瘤全自动分割问题的研究。本文的主要内容如下:1)在肝脏分割研究中,针对腹部CT中的多种器官和组织组成的背景区域过于复杂,且常规神经网络对于肝脏局部信息不够敏感的问题,提出了一种基于局部特征增强的循环密集连接U-Net肝脏分割方法。该方法利用CT图像中肝脏与背景区域属性上的差异,通过约束CT值区间的方法进行数据预处理,使得肝脏区域的特征信息更加显著,一定程度上解决了复杂的背景信息影响网络训练效率的问题;为了在网络中获取CT图像的全局和局部信息,设计了混合更多局部信息的密集连接模块,使得分割模型能够学习到更加充分的特征信息,解决了网络对于局部信息不敏感的问题。实验表明,该方法具有较高的肝脏分割精度,并且分割模型具备较好的泛化能力。2)在肝脏肿瘤分割研究中,针对网络学习过程中容易忽略局部关键特征信息的问题,提出了一种基于通道注意力和多尺度U-Net的肝脏肿瘤分割方法。该方法通过对无关肿瘤区域的位置分析,进行了肝脏肿瘤分割网络输入数据预处理,仅保留CT图像中的肝脏所在区域,解决了腹部其他器官组织中存在特征相似度过高的肿瘤造成冗余分割的问题;为了使肿瘤区域的特征信息得到更加有效的学习,设计了基于通道注意力和多尺度U-Net的肝脏肿瘤分割网络（HCAM-Net）。实验表明,该方法能够取得较好的肝脏肿瘤分割性能。3)设计并开发了一种基于腹部CT图像的肝脏及其肿瘤分割辅助诊断系统。系统实现了对腹部CT图像的常规处理、肝脏及肝脏肿瘤分割和分割优化等功能,这不仅能够减少医疗机构在图像标注上的人工与时间投入,而且也为医生提供了快速有效的分割预测,大大提高医生的工作效率。