随着信息技术的发展,高新医疗设备的出现,极大丰富了医学信息的内容,医学影像学逐渐发展成为越来越重要的临床诊断方法。为了满足民众对医疗服务的需求,利用计算机强大的处理能力对医学影像进行自动化处理具有重大意义。卷积神经网络具有强大的特征提取能力,全卷积神经网络是图像语义分割的首选,对称结构的全卷积神经网络能够融合不同尺度的特征,通道拼接能够拓宽网络和丰富特征,残差结构能够结合深浅层的特征并消除网络的退化,注意力机制对实现某一特定医学图像分割任务大有益处。本文旨在使用深度学习基础架构,研究能够增强神经网络模型特征提取能力的技术,并将其用于直肠癌图像的分割,主要内容和贡献如下:（1）针对现有的直肠癌自动分割技术分割结果粗糙的问题,在具有对称结构的全卷积神经网络中同时引入残差结构和通道拼接结构,强化网络模型的特征提取能力,将简单的卷积模块优化成能够合理提取特征,且特征提取效果更好的编码模块。在跳跃连接引入了参数量较小,能够在提高感知野的同时不改变图像尺寸的空洞卷积结构。基于对称式全卷积神经网络的分割算法实现了对直肠癌图像分割准确率为83.48%。（2）针对提高模型特征提取能力同时带来大量网络模型参数量的问题。本文提出了空间选择注意力模块和自适应多尺度通道注意力模块,分别穿插在全卷积神经网络的下采样阶段和跳跃连接阶段。并通过实验证明了本文所提的空间注意力模块、通道注意力模块和以穿插这种形式结合注意力模块可以提高网络模型的分割效果,在仅引入8.39 MB参数的情况下对直肠癌的分割效果达到了83.27%。（3）在获取直肠癌图像的过程中,为了保证病变的部位能够被完全包含,会导致出现背景的信息大量冗余,尽管使用一定的图像处理手段能够减少这些无关信息,但是由于直肠癌图像位置不具有规则性,仍然存在冗余的背景信息。针对这个问题,本文结合交叉熵损失和戴斯损失设计了一种能够同时考虑前景和背景信息,并且可以根据不同的数据集调节训练的权重的损失函数。本文还通过实验证明了该损失函数的有效性,并通过实验为本文所使用的直肠癌数据集选择了最优的训练权重,使用该损失函数进行训练,直肠癌分割的准确率达到了82.87%。