医学图像在临床发挥着重要作用,快速、准确地从医学图像中获取器官或病变区域是进行针对性诊疗的基础。然而在现实中,放射科医生从医学图像中量化器官或病变区域并不容易,手动分割一张医学图像大约需要15分钟,这使得医学图像分割成为了一项费时费力的工作。因此,有必要研发出能够定位、分割和量化器官或病变区域的自动化方法,通过采用自动化的医学图像分割方法,能够有效提高医学图像分析的效率,并可以有效降低临床误诊率。近年来,随着深度学习的不断发展,各种基于卷积神经网络的医学图像分割算法被相继提出。其中,U-Net是最为著名的医学图像分割网络之一。然而,U-Net采用的标准卷积层限制了其捕获丰富特征的能力。此外,U-Net中连续的最大池化操作会导致分割过程中一些特征受到丢失。为解决上述两个问题,本文提出了一种基于改进U-Net的医学图像分割模型MHSU-Net。首先,为使分割模型能够捕获丰富的语义特征,本文提出了一种新颖的多尺度卷积模块MCB。MCB采用了更宽、更深的网络结构,可以提取多种类型的特征信息,能够应用于不同种类的医学图像分割任务。然后,本文提出了一种混合式下采样模块HDSB,通过替换U-Net中的最大池化层来降低分割过程中的特征损失。再次,本文基于空洞卷积和SKNet中的自适应感受野特性,提出了一种新颖的上下文模块CIF来获取上下文信息。最后,本文将CIF模块与U-Net中的跳跃连接结构相结合,进一步提出了跳跃连接+结构,既提升了CIF模块的利用率,又可以促使分割模型获取更加充分的上下文信息。此外,在部分医学图像分割过程中,尤其当分割肿瘤病变区域时,经常会遇到分割区域尺度差异大,病变区域面积占比有高有低的问题。而出现这种情况的原因可归为两点,一是不同患者所处于的癌症分期不同,有的处于癌症早期,而有的处于中后期,进而导致肿瘤大小不同;二是医生操作医学成像设备的角度有所不同,导致医学成像结果存在一定差异。目前通常依靠改进网络结构的方式（比如MHSU-Net）来缓解此问题,但分割结果仍有待提升。因此,本文基于迁移学习提出了一种新颖的医学图像分割流程,按照“先整体,后部分”的思想,首先基于所有训练图像训练第一个分割模型,然后采用迁移学习方法将此模型在部分训练图像上进行微调,分别用于处理小病变区域和大病变区域的分割任务,实现分而治之。为检验MHSU-Net的分割性能,本文将其在三种不同类型的医学图像数据集上进行了评估,包括肺、细胞轮廓以及胰腺,并采用了适合于各项分割任务的评估指标。实验结果表明,本文所提出的MCB、HDSB、CIF和跳跃连接+结构能够极大地提升U-Net的特征提取能力、有效减少分割过程中的特征损失,MHSU-Net的分割结果的确明显优于原始U-Net。为测试所提医学图像分割流程的效果,本文将其应用到皮肤病变分割任务上,并通过对比实验选取了合适的超参数设置,实验结果表明本文提出的医学图像分割流程有效。