随着医学成像设备的发展,医学影像技术被广泛使用在临床医学任务中,它可以为医生提供更直接的生理信息以对病人进行及时诊断及治疗。近年来,基于深度学习的方法得到了突破性进展,被广泛应用于图像重建、图像配准和图像分割等任务。其中,图像分割是医学图像配准、重建的基础,也是研究的关键步骤。图像分割通过对医学领域所涉及的图像（如MRI,CT等）进行处理,从而分割出图像中的感兴趣区域,包括特定器官或肿瘤目标。通过获取器官的参数进行定量分析,可以实时监控人体健康状态。肿瘤分割是医学图像处理任务中又一个重要内容,与人体器官相比,肿瘤具有较高的异质性、浸润性,不同个体之间很难存在共性。因此,想要利用分割器官的方法直接来分割肿瘤是非常困难的。并且,医学图像会受成像设备的影响,出现对比度低、噪声等问题。在图像中表现为分割目标边缘模糊,从而导致分割结果不佳。针对器官分割、肿瘤分割两类分割任务中存在的问题与挑战,本文基于U-Net网络提出了两个分割算法,主要研究内容如下:（1）针对器官分割任务中存在的感兴趣区域边界区分不明显、分割不准确问题,提出了一种基于差分放大器模块和注意力机制的分割模型。通过引入差分放大器模块、注意力机制和残差卷积模块,使模型能够更加关注目标像素。本研究通过分割视网膜眼底血管,证明了所提出分割方法的有效性。（2）针对肿瘤分割任务中存在的上下文信息匮乏、分割准确率低、效率差、噪声干扰等问题,提出了一种基于残差分组卷积和通道-空间注意力机制的分割模型。通过引入残差分组卷积模块和注意力模块增强网络对目标特征信息的判别能力,突出肿瘤相关特征并降低噪声对分割任务的影响。本研究通过分割脑肿瘤,证明了所提出分割模型具有较好的分割能力。