医学图像分割在定量分析、临床诊断和治疗过程中扮演着重要角色,基于编解码器架构的分割模型被广泛应用到医学图像分割中。在实际分割中,由于编解码器架构的编码器、跳跃连接、解码器组件的设计不合理,会导致出现多尺度特征融合不当、相似特征不相关、特征通道直接拼接引起语义鸿沟、上采样过程抽象特征丢失而利用不充分以及网络参数量冗余问题。这些问题是医学图像分割中的重大阻碍,本论文针对编解码器架构在分割中关键技术进行研究,主要工作内容如下:1)研究了基于编解码器架构的分割网络对医学图像进行分割的方法,总结了编码器-解码器结构改进的三类常见策略,为编码器、解码器以及跳跃连接结构的改进设计提供思路。2)提出了基于位置和通道的双注意力机制的编解码器分割模型,用于分割医学图像。医学图像的特征对象间存在依赖关系,现有的编解码器架构没有突出相似特征的关联。本文在编码器和解码器之间嵌入双注意力模块构建分割模型,通过对比实验证明了所提出的分割模型强化了特征的表示,提升了分割性能。3)提出了多路径上采样的卷积网络分割模型,用于分割医学图像。在编码器的各层中采用三个连续的卷积和残差连接来获取不同感受野的多尺度特征。在跳跃连接结构中引入残差单元（单元数量与该层还需要下采样的次数相同）来避免收缩路径和扩展路径对应特征直接拼接带来的语义鸿沟。在解码器中改变单一的扩展路径,使用多条上采样路径,并分别与编码的一层经过跳跃连接处理的特征进行拼接,能够充分利用编码器提取的深层抽象特征,并融合浅层的不同尺度特征。同时,合理去掉扩展路径中的卷积操作有效的降低的网络的参数量,还可以在模型的编码器结构后轻松嵌入注意力机制。通过对比实验表明所提出的网络模型能够有效解决了编解码器架构设计存在的不足,从性能评价指标和实际的分割效果上都得到了提升。4)设计并实现了基于多路径上采样卷积网络分割模型的辅助诊断系统。该系统用于诊断糖尿病性视网膜病变引起的视网膜出血情况,其主要功能病例管理以及辅助诊断,能够帮助医生降低误诊、漏诊,降低工作负担,提高效率。