鼻腔鼻窦肿瘤是一种发病率较高的恶性疾病,往往临床确诊时病期较晚,治疗困难,严重威胁着患者的生命健康。所以,提早发现、及时救治有助于提高鼻腔鼻窦肿瘤患者的治愈几率和预后效果。早期的检查、诊断往往使用影像学技术对患者进行扫描,目的是呈现肿瘤的具体大小和轮廓,以利于医生根据患病程度来确定后期治疗方式。通常,医生必须根据图片上鼻腔鼻窦肿瘤的病变区域进行手动测量,但是由于肿瘤尺寸和形状变化大,给精准测量带来了较大的困难,需要花费大量时间,并且仅通过医生的主观判断,难以察觉病症的某些微小特征,产生的诊断结果往往不全面,难以实现精准诊断。针对目前存在的各种问题,利用深度学习算法来实现鼻腔鼻窦肿瘤的计算机辅助诊断。本文提出的两种基于深度学习算法的卷积神经网络框架,增强了网络的特征学习能力,以应对不同形状和尺寸的鼻腔鼻窦肿瘤特征学习的挑战。同时,由于鼻腔鼻窦肿瘤科研所需的CT图像分割数据集缺失,并为了便于下一步的课题研究,制作了用于医学图像分割的鼻腔鼻窦肿瘤CT图像数据集。本文提出的鼻腔鼻窦肿瘤分割方法如下:（1）提出了一种基于空洞卷积改进的DC-Unet卷积神经网络。U-Net使用跳跃连接,将处于同一层次的卷积层学习到的输出结果与收缩路径中上采样的结果进行拼接,获得良好的分割效果。但是该算法依然存在无法充分学习目标位置和细节特征信息,不能屏蔽噪声影响和构建清晰的目标边界。本文将空洞卷积融合进U-Net网络,通过扩展感受野来获得多尺度信息,提高模型的特征提取和学习能力,而且不会增加额外的计算开销,提升了特征提取的能力。实验结果最终表明,本文提出的算法能够有效提高鼻腔鼻窦肿瘤分割精度,最高分割精度可以达到84.12%。（2）提出一种基于MD-Unet的鼻腔鼻窦肿瘤分割算法。经过实验验证,改进的U-Net分割算法存在对小目标样本的学习不敏感及割裂局部和整体一致性的问题。首先,本文通过构建多尺度框架,提取图片不同尺度特征,融合大尺度图像的语义信息特征和小尺度图像的几何细节信息特征,学习不同尺度的对象和图像细节,保留图片整体性;其次,融入可变形卷积网络,用其卷积核的采样点可以跟随目标形状自由变换学习的能力,从而获得自由变换的感受野,进一步学习目标细节特征;最后,为解决数据失衡问题使用Tversky作为损失函数。实现结果表明,MD-Unet算法在鼻腔鼻窦肿瘤数据集上分割精度可以达到84.27%。最终实验结果表明,本文提出的两种改进算法,在鼻腔鼻窦肿瘤数据集分割效果上表现得更加优秀,提高了分割精度,有助于医生的精准诊断。