基于卷积神经网络的深度学习方法出现以后,自动化的医学图像处理技术取得了很大的进步。在主流的监督学习方法下,神经网络的训练依赖大规模的标记数据。由于需要大量的劳动力和专业知识,以及受医学中各种具体的应用场景限制,医学图像的标记成本更高。因此很难通过增加标记数据量的方式来提高网络模型的性能。同时,许多医学图像数据集中包含很多未标记的原始图像,这些冗余图像并不能被网络模型所使用。自监督学习的方法可以从无标记的数据集中学习特征表示,进而提高下游任务的准确率。因此,自监督学习在解决这一问题上具有很大的潜力,可以在不增加标记数据量的情况下,提高医学图像模型的性能,并能充分利用冗余的未标记数据。本文围绕基于对比学习的自监督预训练方法以及在网络模型上的应用展开研究,主要的研究内容和贡献如下:1)提出了一种基于对比学习的自监督预训练方法,用于提高医学图像模型的性能。使用基于卷积神经网络的特征提取方法,并将其与对比学习的训练范式进行结合,形成一种自监督学习的预训练方法,用以学习图像数据的内部特征。在预训练阶段从无标记的医学图像中学习潜在的特征表示,让模型在高维向量空间中学习到数据映射间的关系。提出了密集特征的对比损失计算方法,使模型可以学习到更多的数据内部信息,提高了自监督学习的效果。在下游微调任务中,网络模型加载预训练后的参数,使用标记数据对网络模型进行再次训练。实验结果表明,该方法在不增加已有数据量的情况下,提升了模型的性能。2)将基于对比学习的自监督预训练方法应用于医学图像分割之中,使用提出的自监督学习预训练方法与网络模型结合,验证对分割任务的提升效果。同时提出了基于注意力结构的医学图像分割网络,网络通过注意力模块分别在空间和通道两个维度进行注意力映射的推导,然后将注意映射与输入特征映射相乘,并实现自适应的特征细化,突出对分割目标有用的显著特征。实验结果表明,注意力结构可以提高网络提取特征的能力,提高图像分割的精度,经过自监督对比学习的预训练后,网络模型的性能得到了再次提升。