医学影像是一种非常重要的信息载体,其可以很好的帮助临床医师了解患者病情,辅助医师规划治疗方案。医学图像分割技术同样在临床应用中有着至关重要的作用,例如病灶大小测量、器官和病灶定位、病灶形状、放疗规划、辅助手术和解剖结构研究等。目前基于传统图像处理和深度学习的图像分割技术被广泛的应用于医疗图像的自动分割。然而,精确的医疗图像分割仍然存在以下挑战。首先患者的组织和病灶结构呈现高度的多样性和变异性;医疗影像的成像模式和参数众多,不同的成像模式将会获得多种差异巨大的医疗影像;医疗影像成像质量不一,存在多种伪影和噪声的干扰从而导致图像模糊等问题。因此,针对上述所提到的问题,研究相应的解决方案,开发准确有效的自动医学图像分割算法具有重要的研究和应用价值,这也是本文的研究课题。本文以医学图像为研究对象,对大脑肿瘤分割、皮肤病变分割、三维椎体分割、风险器官分割和细胞核分割等任务开展研究,以构建具有可解释性和特征学习能力强的注意力方法为研究主线,提出了三种不同的基于深度学习的医疗图像分割算法。本文的主要研究成果如下:（1）为了构建更有效的高低级特征融合机制、增强高低级特征的编码质量和语义一致性,本文提出了一种基于级联高低级特征增强的图像分割算法。与此同时,低级特征增强模块被提出,其被用来将高级语义信息嵌入到低级特征中;高级特征增强模块被提出,其被用来聚合最优的高低级混合特征并将更有效的空间信息嵌入高层特征中。此外通过可视化分析,探索了深度学习背后的特征学习机制,为深度学习在医学图像处理领域的可解释性分析做出了努力。（2）为了利用网络空间注意力模块之间的空间相似性,构建统一联合的注意力优化体系结构,本文提出了一种基于跨层注意力融合的图像分割算法。该方法以跨层注意力融合架构为主体,其依次融合相邻的注意力模块的空间注意力权重图,从而使网络中的所有注意力模块构成一个整体,共同学习共同优化。此外,一个全新的Top-K指数对数Dice损失函数被提出,其被用来平衡网络对不同大小样本和不同难易样本之间的分割。（3）为了简化网络架构的参数选择和优化注意力模块的体系结构,本文提出了一种基于神经网络架构搜索的深度注意力的图像分割算法。该方法以网络架构搜索为基础,探讨了最优注意力模块的构建。与此同时,一种新的同步搜索策略被提出,其被用来同步搜索网络中的所有注意力架构,为网络不同位置提供针对性的优化。本文在多种具有不同成像参数和成像模式的医疗数据集上对以上方法进行了大量的实验分析,有力的证明了其在图像分割任务上的良好适用性,更进一步的可视化分析为注意力机制的原理和可解释性给出了深入的讨论。最后,总结了方法存在的问题和未来工作。