医学影像分割是指依据图像内部各区域的特性,蕴含的病理信息,检测并标注出病患组织,进而辅助医生诊断,进行病理分析。但由于医学影像在图像采集过程中容易出现噪声、灰度不均、图像分辨率较低等问题,损失了许多有价值的特征信息,这对于医学影像分割是重大的挑战。目前针对医学影像的深度学习分割方法对医学影像特性考虑不够充分,未能挖掘语义与形态等模态特征的内在联系,且难以泛用到不同组织器官场景以及网络鲁棒性设计上有所欠缺,这些问题很大程度上阻碍了医学影像分割的发展。更进一步地,对于医学影像的三维重建,目前适用性最广的普通平扫CT难以重建出完整的三维结构。因此,本文围绕医学影像分割场景,从网络模块设计角度出发,提出了改进的方法,并在其基础上针对平扫CT产生的序列化图像,运用深度学习技术,完成三维重建的工作,本文的主要工作如下:（1）针对视网膜血管分割场景,提出了基于语义与形状特征融合的分割算法。通过语义与形状感知提取子网络提取特征图中的语义与形状信息,通过语义与形状特征融合子网络,将深层卷积层中的语义信息与浅层卷积层中的形态特征融合,引入注意力机制,使得网络能够依据语义与形状特征对分割结果的贡献,自适应融合这两种特征。在DRIVE以及STARE视网膜标准数据集上的实验结果表明,本文算法优于目前的视网膜血管检测工作。并在敏感性指标上优于传统的U-Net网络8.2%。（2）针对不同模态、组织部位的医学影像分割场景,提出了一种更通用的注意力机制-局部注意力。本文设计的局部注意力子网络,利用阶段推理结果,将前景像素与边界距离转换为相应的注意力系数,使得网络对不同形态的分割目标均保持显著的注意力。本文在肝脏、视网膜、肺部以及细胞核,这四个不同形态医学影像数据集上的实验结果证明,局部注意力可以提升骨架网络的性能,此外通过对网络的分割结果和中间特征图可视化,发现局部注意力可以有效地引导网络关注前景目标。（3）针对普通平扫CT序列图像,提出了一种基于点云补全的肝脏三维重建算法。通过分割算法对肝脏CT序列图像进行预分割,将分割结果处理为相应的肝脏点云数据。采用点云数据降采样,模拟CT平扫层厚,导致层间信息丢失的问题。利用点云补全算法,实现对CT影像中缺失的肝脏层间数据的恢复。在基于Li TS肝脏数据集自建的点云数据集上的实验表明,此重建算法能够在采样数据极不均衡的情况下仍保持较好的重建效果。