多模态磁共振图像（Magnetic Resonance Image,MRI）蕴含丰富的特征信息,被广泛应用于临床分析。从多模态MRI中分割出组织及病灶,将为医生诊断和治疗提供依据。基于U-Net卷积神经网络的方法被广泛地应用在MR图像的分割,对于具有不同特点的分割任务,以U-Net架构为基础进行有针对性的改进,来增强其特征提取能力,将有助于提高网络的分割精度。论文的主要研究内容是提出了新的深度特征提取模块,并将其嵌入深度卷积神经网络U-Net中,从而实现准确分割多模态MRI中的组织及病灶的目的。对于MR脑组织分割,提出一种基于多邻域特征学习的U-Net分割模型。针对脑组织中的灰质、白质、脑脊液灰度值接近而难以分辨,使用U-Net分割时,组织边界之处容易出现错误分割的问题。为此,在U-Net网络的编码过程中,提出多级多分支池化,改进、扩大和丰富池化的感受野,从而捕捉空间维度上的多邻域特征;在U-Net网络的解码过程中,在每个上采样模块后添加一个输出分支,生成若干组通道以捕捉通道维度上的多邻域特征。通过在官方数据库MRBrain13上完成验证,表明了使用多邻域特征学习的方法,能够缓解U-Net的编码/解码过程中的特征信息丢失,有效地减少了各组织边界处的分割错误,显著地提高了分割精度。对于MR脑胶质瘤分割,提出一种基于U-Net级联混合网络的分割模型。由于脑胶质瘤的各类样本以及非肿瘤区域的样本比例不平衡,导致卷积神经网络U-Net对各类样本的辨别能力不足,存在假阳性过高及各类样本间的错误分割现象。针对这一问题,对使用2D-U-Net生成的脑胶质瘤候选区域进行二次采样以增加对假阳性及被错误分割样本的关注,再利用3D-U-Net充分捕捉三维空间特征对其二次分割。最后,为了充分利用脑胶质瘤的三维图像的多视角特性,在轴状位、矢状位、冠状位3个方向训练3D-U-Net,对病灶候选区域进行多视角的二次分割并融合其预测结果。通过在官方数据库Bra TS2017上完成验证,表明了使用基于U-Net的级联混合网络能够加强网络对于各类样本的辨别能力,进一步减少了预测结果中的脑胶质瘤假阳性,并提高脑胶质瘤各区域的分割精度。对于MR前列腺癌分割,提出一种基于多尺度空间域注意力机制的U-Net分割模型。由于前列腺癌目标体积小、形态各异,癌变组织分割难度大。针对这一问题,采用改进的多尺度特征学习技术,使其能够获得各种形态病灶不同尺度的特征信息。鉴于U-Net网络高阶特征具有丰富的语义表征,由其生成多尺度注意力特征图能更好地聚焦不同尺度的目标。通过在官方数据库PROSTATEx上完成验证,表明了使用基于多尺度空间域注意机制的U-Net,能够加强对小目标的关注及其多尺度特性的认知,能在较大程度上提高前列腺癌的分割精度。目前,对于不同的MR图像的分割任务,U-Net的自动调优尚未有统一的指导性原则。但上述提出的U-Net特定的特征提取模块在具有共性的分割任务上有一定的指导作用。如多邻域特征学习的方法,以收集相邻区域的特征信息来加强目标区域的特征表现,在面对遍布全图的组织类型分割时具有一定作用;而如级联分割方式将感兴趣区域作为关注中心进行二次分割,能够对于聚集在局部区域内且具有多类样本的分割任务更有效;如多尺度空间域注意力机制的方法,以添加注意力机制和学习目标的多尺度特性的方式来增强U-Net的特征提取能力,对于具有多尺度的小目标具有更好的作用。