计算机断层扫描（CT）是临床上最常用的肝脏肿瘤评估影像。由于CT检查实施快捷、无创伤性的特点,在临床诊断与复查中被广泛使用。医生手工对CT图像进行分析整理费时费力,因此在计算机辅助诊断领域对CT图像的自动分割研究是当前的研究热点。肝脏肿瘤由于在CT图像中像素值变化较大并且边缘模糊,自动分割的难度较大。随着深度学习的快速发展,基于全卷积网络框架的分割网络能够为医生提供像素级分类信息,精确定位各种器官以及病灶区域。相比于二维卷积,三维卷积结构能够更好地捕捉图像三维上下文特征,三维全卷积分割网络能够更精确地对器官以及病变区域进行分割。而三维分割网络由于对计算资源需求较高,很难设计较深的网络结构。并且,由于腹部CT扫描的层间距为5毫米,CT影像缺乏三维连续性信息,这种图像的分辨率各向异性在三维卷积结构中会限制其分割效果。针对以上问题,本文对三维级联分割网络进行了改进,并通过超分辨率网络重建CT图像层间信息,以进一步提高分割精度。主要贡献包括:（1）针对分割网络模型,讨论了不同网络结构改进方案的特点,基于级联网络框架先粗分割后细分割的思想,设计了一种改进的三维级联肝脏肿瘤分割网络,使得网络分工更加明确,改善了网络在肝脏肿瘤分割任务上的表现;（2）针对CT图像各向异性分辨率的特性,讨论了使用插值方法和超分辨率网络进行图像重建的优缺点,设计了基于平均模块的三维超分辨率生成对抗网络。通过超分辨率网络更好地重建层间信息,改善CT图像的各向异性分辨率;（3）将超分辨率网络与分割网络相结合,引入超分辨率网络对CT图像数据及标签同时进行重建,设计了一个结合超分辨率网络与分割网络的CT图像自动分割方法。通过同时优化CT图像的各向异性分辨率与分割网络结构,进一步提高最终分割精度。通过实验结果的对比分析证明了本文所设计的级联肝脏肿瘤分割网络以及基于平均模块的三维超分辨率生成对抗网络对肿瘤分割精度的提升效果。首先,对级联网络的针对性改进让本文设计的网络结构比已有方法在两个不同数据集上都能得到更好的肿瘤分割效果。而通过对比插值方法以及不同超分辨率网络的重建效果,本文设计的基于平均模块的三维超分辨率生成对抗网络能更好地恢复层间信息,并进一步提高肿瘤分割精度。