随着深度学习的发展,语义分割逐渐取代手动分割和传统分割方法成为医疗诊断和影像分析中重要步骤。医疗影像的分割标注存在获取时间和人力开销巨大的问题,高质量训练数据的缺乏常常成为制约深度学习语义分割模型性能的重要因素,因此医疗影像分割算法的研究和少样本算法的研究是两个有效的解决途径,也是当前热门的研究方向。本文对国内外对于医学影像分割算法进行调研和研究之后,提出了基于高密度密集连接的多尺度分割算法和基于元迁移学习的少样本医学影像分割算法。前者结合密集连接、多尺度信息收集和医疗影像特质,提出了高密度密集连接模块,优化多尺度融合模块并引入注意力机制,在训练集和测试集上取得了 0.948和0.945的Dice系数评分。后者通过对现有的模型无关元学习方法进行改进,同时引入迁移学习方法维护域迁移时模型参数不受遗忘性破坏,实现了少样本情况下模型性能大幅度提升。在训练数据较为充足的情况下,该算法也能带来精度的改善。本文协和医院放射科提供的心脏核磁共振影像数据和医学影像分割十项全能竞赛数据基对算法进行训练和测试。与其他算法的对比实验及结果分析,验证了本文所提算法的有效性。