医学图像通过不同成像方式,实现了对人体内部组织器官的具体呈现,是现代临床治疗的重要依据。随着各种成像技术不断成熟,医学图像处理任务也愈加精细。其中,医学图像分割是医学图像分析、临床治疗的关键技术,可以为临床诊断、治疗方案制定以及预后评估等医疗服务提供信息支撑。近几年,大量研究人员在此领域进行探索,提出了很多医学图像分割方法和技术,从早期基于阈值、区域和边缘的算法,到基于传统机器学习的可变形模型、聚类算法等,但传统算法在特征提取和表达方面存在短板。随着深度学习的发展,其在医学图像领域的应用日益广泛。其中,基于深度学习的医学图像分割是医学图像处理领域的研究热点之一,相比于传统方法,基于深度学习的医学图像分割方法具有更好的特征识别与提取能力,而且可以自动、高质量的完成分割。本文对基于深度学习的医学图像分割方法展开研究,以提高医学图像分割精度为目标,从模型构建、数据处理、特征提取、结果分析等方面,展开了深入研究,提出了一些有效的结构和方法,有一定借鉴意义。本文主要研究内容如下:（1）针对单一目标区域的甲状腺结节超声图像分割过程中,因目标区域大小不一而导致的前景与背景类别不平衡问题,以及U-Net跳跃长连接路径将无用信息传递到Decoder部分中的问题,提出了基于残差非对称卷积和注意力机制的甲状腺结节超声图像分割算法。设计了基于改进Incption的RI模块和残差卷积模块,结合提出的两种非对称多尺度卷积核,应用于所提网络Encoder和Decoder部分进行特征提取、融合与解码;引入基于SA和CA的注意力模块,使模型对目标区域和边界信息有更高的关注程度。实验结果表明,所提算法与目前主流网络模型相比,取得了更好的分割结果。（2）针对多个目标区域的腹部医学图像分割过程中,因组织器官相互扰动而导致的分割精度不高问题,在总结Transformer结构的优势与短板的基础上,设计了基于改进Transformer结构的多目标医学图像分割网络。该网络采用改进Dense Block结构进行特征提取,通过Trans Layer对不同尺度和分辨率的特征序列进行特征融合,构建长距离远程依赖关系,最后通过带有跳跃连接的卷积结构进行特征恢复,完成最终分割。在实验设置上,将模型在Synapse和CHAOS数据集上进行实验。此外,设置了针对模型结构和相关模块的消融实验。实验结果表明,所提算法可以较好的处理单一图像中多个目标区域的分割任务,且具有较强的泛化能力和鲁棒性。（3）针对单一目标区域的臂丛神经超声图像分割过程中,受前景与背景类别不平衡,以及其他组织和器官扰动双重干扰的问题,总结CNN与Transformer结构存在的优势与短板,设计了Transformer与CNN结合的ConvTrans-Net。提出TC模块作为Encoder部分特征提取的基础结构;结合注意力机制,设计了Mix-STCA特征融合方法,用于特征融合;将ConvTrans-Net在臂丛神经超声图像公开数据集上进行了实验,并设计了关于TC模块和Mix-STCA方法的消融实验。实验结果表明,相比于对比方法,ConvTrans-Net具有更好的性能。