随着医学影像学的快速发展,医生显著提高了对不同疾病的检测效率和诊断精度。其中,医学图像病灶区域的分割结果是医生作为临床学诊断的重要依据。因此,各种医疗图像分割技术涌现出来,极大地帮助医生提高医学诊断的效率和准确性。然而,医学图像具有高度复杂性、噪声分布不均匀以及不同医学研究部位差异较大等问题,传统的图像分割方法不足以很好地克服这些挑战。近年来,得益于数据规模的快速增长以及计算力的飞速提高,深度学习方法在农业、航天、军事等领域大放异彩。同时,深度学习在医学图像分割领域上的应用愈加广泛,已经成为一种主流分析技术。相比于传统的图像分割方法,深度学习方法能够自主学习网络参数,提取更加丰富的语义信息,实现更精确的分割。然而,目前大型医疗图像数据集比较稀缺,数据本身也存在样本不均衡的问题,这对于深度学习需要大量数据去训练网络参数来说是一个巨大的挑战。此外,医学图像数据往往还有以下几点问题:1)存在伪影干扰;2)病灶区域边界粗糙模糊;3)周围致密腺体组织干扰等,这些问题均在不同程度上影响着神经网络的学习能力,进而降低分割效果。因此,本文提出了一种基于注意力机制和多尺度空间池化的改进对抗网络（AM-MSP-c GAN）模型,有效实现医学图像的自动分割。该模型包含生成器和判别器两个结构,生成器采用带有注意力机制（Attention Mechanism,AM）的U型网络,判别器采用经典CNN模型,并在其中引入了多尺度空间池化（Multi-scale Spatial Pooling,MSP）模块,整体采用条件生成对抗网络（Conditional Generative Adversarial Network,cGAN）的框架进行训练,并通过人体乳腺肿块以及视网膜眼底图像两个医学部位的分割结果论证本文模型的分割性能以及跨领域适用性。本文主要进行以下几方面的研究工作:（1）对于医学图像以及使用计算机辅助诊断技术进行医学图像分割的相关背景和进展进行介绍,主要包括基于传统方法和深度学习方法下的医学图像分割发展情况。（2）分别介绍和分析基于编码器-解码器结构的深度学习模型和对抗学习方法。同时,分析总结其不足之处和相关改进措施。（3）提出了AM-MSP-cGAN模型,并详细论述了模型的相关原理。其中,生成器引入AM模块能够更好地捕获目标区域的特征信息,同时抑制无关区域的特征响应,进而提高分割结果。同时,在判别器中引入MSP模块能够使判别器拥有融合了多尺度信息的特征输入,进而提升判别性能。另外,我们采用对抗学习的方式训练模型,综合提升分割效果。（4）将本文方法与其他深度学习模型进行实验对比。综合实验结果表明,本文方法在不同评价指标上均实现了更高的分割精度。此外,通过自身消融实验,证明了不同模块对分割结果均有贡献,也在侧面验证了本文方法的可靠性以及有效性。（5）在实验中,本文采用了四个不同的医学图像数据集进行定性与定量分析。对于乳腺肿块实验,本文采用CBIS-DDSM和INbreast数据集,其中INbreast数据集需要向相关机构负责人发送邮件以及签署责任声明进行获取。对于视网膜眼底图像实验,本文采用DRIVE和STARE数据集。本文分别介绍和论述了上述四个数据集及其分割结果。（6）本文使用Dice similarity coefficient（Dice）、灵敏性（Sensitivity）、特异性（Specificity）以及Hausdorff距离（Hausdorff Distance,HD）四个评价指标对实验结果进行定量分析。同时,添加了箱线图、损失曲线等其他评价标准对实验结果进行定性分析。通过定量和定性的分析和比较,证明了本文方法实现了更高的分割标准,更加适用于医学图像分割任务。