医学图像分割是生物医学图像处理中的一个重要问题。医学图像的高效、自动分割可以帮助医生辅助诊疗,也为研究者更好地了解生物组织的解剖信息提供了有力的技术支撑。医学图像易受噪声干扰、灰度不均匀性等特点成为影响分割性能的主要因素。近年来基于特征编码和解码结构的医学图像分割方法逐渐成为主流,但是不少方法在编码器的设计上没有考虑医学图像自身的特点,例如多模态、空间邻域关系等信息,尤其在构建端到端的深度神经网络方面,其解码器的设计没有充分考虑层级间的长期信息依赖性,使得这些方法效果有限。因此,本文为了克服现有方法在特征编码器和解码器设计上的不足,提出了两种改进方法,用以提升医学图像分割的性能和鲁棒性。本文的主要工作如下:(1)从改进特征编码器的角度出发,提出了一种基于多模态和邻域约束的特征编码和解码方法,称为LSTM-MA。该方法将图像看成是由结点连接的无向图,结合了多模态和空间邻域信息,设计了两种对结点提取特征序列的方法:像素级约束和超像素级约束。然后使用LSTM网络对特征序列进行分类,最后融合各结点的分类结果完成分割预测。在BrainWeb和MRBrainS上的评估实验结果表明,该方法在噪声干扰情况下具有较好的鲁棒性。基于像素级约束的特征编码方法取得了具有竞争力的分割精度,而基于超像素邻域约束的能够在牺牲较小精度的前提下缩短分割时间。(2)从改进特征解码器的角度出发,提出了一种基于卷积循环神经网络的特征编码和解码方法。其中包含一个新颖的特征融合单元,称为循环解码单元(Recurrent Decoding Cell,RDC),该单元利用了卷积循环神经网络来记忆在解码阶段中来自于先前各层的长期上下文信息。在RDC的基础上,还设计了一种编码和解码结构的网络,称为卷积循环解码网络(Convolutional Recurrent Decoding Network,CRDN),用于分割多模态医学图像。CRDN采用了卷积神经网络对输入图像进行特征编码,并通过一系列RDC对其进行分层解码,最终得到原图分辨率的得分映射。在BrainWeb,MRBrainS和HVSMR数据库上的实验结果表明,RDC的引入可以有效地提高分割的准确率并缩减模型大小,所提出的CRDN对于医学图像中的噪声和灰度不均匀性具有较好的鲁棒性。