膝关节分割是医学图像中的一个关键任务,对于有效控制临床治疗进展、减轻未来的残疾、早期诊断至关重要,制定后续个性化诊疗、干预计划,需要精准地将膝关节软骨分割出来。由于不同膝关节组织之间体积、形态差异较大,甚至不同病人之间由于疾病进度不一致,导致膝关节相同组织,其形态差异也很大,这对深度学习模型的鲁棒性提出了极高的要求。目前在医学图像分割中的分割模型,主流神经网络是FCN、U-Net、V-Net网络以及他们的各种变体网络,这些分割网络以单网络为基础。级联网络是一种提高网络性能有效的方式,级联网络第一个网络对目标进行粗分割,获取先验信息指导第二个网络进行精细化分割。本文以Unet网络为基础,使用SKI-10膝关节数据集和PD膝关节数据集进行实验,进行了以下几点工作和研究:（1）设计了一种针对膝关节图像分割的多尺度特征融合模块,多尺度特征融合模块由不同尺寸的卷积核和残差结构组成,可以增强对于本文任务中网络对于小目标如膝关节软骨的分割能力。多尺度特征融合模块中的大卷积核在捕捉远程信息时更有优势,残差连接可以促进被池化丢弃的信息在网络中的流动,缓解反向传播时梯度消失的问题。在分割网络中加入多尺度特征融合模块之后,分割网络可以学习到不同尺度的特征信息,可以充分提高网络的分割能力。（2）设计了两阶段级联分割网络,其中第一个网络是以U-Net网络为基础进行剪枝得到的轻量级分割网络,该轻量级分割网络对目标进行粗分割,根据得到的粗分割结果对原始图像进行处理,得到第二个网络的输入;第二个网络是加入了多尺度特征融合模块的精细分割网络,在加入了第一个网络学习到的先验信息之后,相比于单网络无先验信息,级联分割网可以得到效果更好的分割结果。此外,本文将膝关节软骨边界作为单独一类进行分割的方法,增加了网络对膝关节软骨边界的注意力;在网络训练阶段,在图像输入网络之前,采用在原始图像上随机取样的策略获取输入图像的方法,解决了原始图像尺寸不固定的问题,降低了网络的负载即对GPU显存的需求量,同时分割性能得到了提高。本文的膝关节分割算法在PD数据集上三类软骨平均Dice分割分数可以达到0.7682,相比于baseline提高了1.6%;在SKI10数据集上两类软骨Dice分割分数可以达到0.7645,相比于baseline提高了1%。