近年来,医疗数据的数字化、大数据化使越来越多的基于医学影像的智能应用成为可能,如肿瘤和其它病灶的定位、组织体积的测量、解剖学结构的研究等。医学影像中的检测分割作为一项基础任务,对现代临床诊断和治疗具有重要影响。目前医学影像分割多基于传统的数字图像处理和机器学习方法,需要丰富的经验和完备的领域知识。此外,医学影像大多数色彩单调、病灶边缘不够清晰且形态差异性大,难以用传统方法的固定特征来描述。因此,针对医学影像的特点和现有方法的不足,本文提出了两种卷积神经网络设计方案,并在显微影像细胞核检测分割数据集和肝脏CT影像肿瘤分割数据集上开展了实验研究。针对显微组织影像中细胞核稠密分布并且目标小、分割不准确的情况,本论文设计了一种用于稠密小目标检测分割的扩张残差网络结构,并改进Mask RCNN模型,可有效地解决图像中小目标在深层网络中信息丢失的问题。在两个公开的细胞核分割数据集上进行实验并对比了当前流行的各类分割模型,实验表明,我们的模型具有更好的稠密小目标识别分割能力。针对CT影像中的目标具有复杂边界且边缘模糊、分割不精确的情况,本论文在改进UNet基础上设计了一个具有稠密连接的编码器-解码器结构,实现了深浅特征自适应的分割算法,可直接利用不同尺度特征得到分割结果。该网络模型同时在自然图像场景数据集和肝脏肿瘤CT数据集上进行实验,并对比了近年最流行的分割算法,实验表明,改进的模型在PA等指标上表现更好,具有分割复杂边界图像目标的能力。