如今人工智能（Artificial Intelligence,AI）发展快速,各个方向都随之出现了极大的变化。尤其是深度学习出现,使得影像相关的方向出现了较大的突破,生物医学图像分割（Biomedical Image Segmentation,BIS）领域也随之迅速发展。但是目前BIS算法到应用依然相差很远,主要问题是分割精度不高、分割算法鲁棒性较差等问题。影响BIS精度的方面有很多,总体可以概括为生物医学图像数据集和分割网络两方面的因素,数据集方面有样本较少、标注不统一、样本不均衡等问题,网络方面有细节信息损失、信息冗余、网络不匹配等问题,本文主要针对BIS网络中细节损失方面改进,获得更加优秀的分割结果。第一个研究问题是基于深度学习的BIS算法中下采样和上采样的使用,导致细节信息的损失和分割精度的下降;第二个研究问题是BIS中存在较多的误分割和漏分割问题。（1）针对下采样和上采样造成的细节信息损失问题,本文提出全分辨率生物医学图像分割网络（FRNet）,其能保持网络提取的语义信息的同时,增强网络提取的细节信息。FRNet利用多分支的思想增强网络获取的细节信息,一个分支称为基础语义特征提取模块,用以提取丰富的语义信息,支撑网络获得基础的分割结果;另外一个分支称为全特征提取模块,其不运用任何的下采样和上采样,能够获得完整的细节信息;最后设计一个特征融合模块,该模块可以将前面两个分支提取的特征融合起来,获得分割所需要的完整特征;最终添加Dense ASPP模块,增加网络提取的多尺度特征。本文提出的FRNet最终在ISBI 2017色素瘤分割数据集、Bra TS 2018脑肿瘤分割数据集、鼠脑区域分割数据集三个数据集上验证算法的优越性。我们在多数据集和多网络上均验证了FRNet的优越性,并且在鼠脑区域分割数据集上达到了分割最优的结果。（2）针对BIS中误分割和漏分割问题,本文提出基于分类监督的BIS算法。该算法是通过添加额外分类监督的方式,判断每一个切片数据是否包含病灶,以此种方法来减轻误分割和漏分割的问题。具体是设计一个分类监督模块,该模块可以和当前存在的一些网络联合使用,在原有分割网络的基础上添加额外的分类监督模块,即增加一个判断切片是否包含病灶的简单的分类任务,使得网络能够从每个切片上关注一些细节的信息,进而减少误分割和漏分割的问题。本文提出的基于分类监督的BIS算法最终在KITS2019肾脏肿瘤分割数据集、Bra TS 2018脑肿瘤分割数据集、鼠脑区域分割数据集三个数据集上验证算法的优越性,并且我们同样会在多网络上进行实验。