放疗是当前临床上癌症治疗的主要手段之一,通常包括影像采集、靶区勾画、放疗计划的制定和实施等步骤。其中,患者的肿瘤靶区勾画是放疗计划制定和实施的重要前提,这一过程通常由医师来手工完成。然而,手工勾画过程费时费力,并且存在着主观性和人眼的局限性问题,影响了肿瘤靶区勾画的效率和准确度,进而影响放疗计划的制定和实施。肿瘤靶区勾画可看成是一个二元像素分类问题,即将影像中的每一像素按照是否为肿瘤靶区分为两类。随着深度学习技术在数字图像处理领域的不断发展和计算设备的更新迭代,肿瘤智能分析诊断技术和靶区自动勾画技术日渐成熟。但由于肿瘤靶区形状大小不固定、肿瘤影像类别不平衡,再加之肿瘤影像低对比度和噪声等因素的干扰,现有的肿瘤靶区自动勾画算法难以达到临床应用要求。本文紧贴临床实际,从鼻咽癌、肺癌和宫颈癌等人体多个不同部位的代表性肿瘤病种入手,围绕着肿瘤靶区自动分割算法开展深入研究。为了解决三维肿瘤分割任务中的图像噪声、肿瘤靶区对比度低和肿瘤靶区形状及尺寸多变等问题,提出全局多注意力网络。全局多注意力网络将视觉模型中的通道和空间注意力机制以及残差结构的思想,融入到网络中的每一编码器和解码器中,加强网络训练阶段对于肿瘤影像中关键区域的学习,提升对于形状不规则靶区的识别能力,有效减轻肿瘤影像低对比度和噪音对于模型训练或推理的干扰。实验结果显示,该网络能更好的完成多个病种的三维肿瘤靶区分割任务。为了解决三维分割网络训练过程中的类别不平衡和对硬件设备要求高等问题,本文提出了基于异常感知的两阶段肿瘤靶区分割算法。该算法充分考虑了三维肿瘤影像的特点,将三维肿瘤靶区分割问题转化为异常切片分类和二维靶区分割两个阶段,更加符合临床勾画流程,增强了算法的可用性、通用性以及分割结果的可靠性。首先,在异常切片分类阶段,对于训练数据规模小和算法可解释性差等问题,提出使用基于决策融合的肿瘤靶区异常感知算法。训练前使用中心剪裁混合算法对肺癌病灶训练数据集进行离线扩充,在训练阶段随机组合了多种数据增强方式,增强肿瘤靶区异常感知算法对于数据集的理解能力,推理过程中通过投票方式对多个网络的决策结果进行融合,在提升分类准确率的同时增强了分类结果的可解释性。最后结合肿瘤靶区影像特点,使用后处理方法进一步提升分类准确率。其次,在二维肿瘤靶区分割阶段,提出拆分注意编码网络。为了解决训练数据规模小和模型泛化性能不高的问题,将在ImageNet数据集上预训练的拆分注意网络模型,迁移至分割网络的编码器部分,提升网络在小规模肿瘤靶区数据集上的收敛效果,并从网络架构设计的角度,通过详细的实验分析了拆分注意编码网络的设计范式。