近年来,随着深度学习技术的不断发展,在医学影像分析领域中有越来越多的任务采用深度学习算法完成对于疾病的分级、病变区域的定位以及肿瘤区域的分割。但由于医学成像设备的差异、病变区域的多发性以及影像学表现的异质性,使得相关研究充满挑战。为了使神经网络在训练过程中能将主要的关注点聚集在感兴趣区域周围、减少噪声及背景信息对于模型训练的影响,一些模型通过添加注意力机制模块,增强模型获取特征信息的能力。在此过程中,注意力机制模拟人脑的复杂认知功能,使神经网络有选择性地处理信息,提升模型对于数据的表征、分析和理解的能力。本文围绕注意力机制算法设计的关键技术展开,选择结直肠癌分割和盆骨影像关键点检测两个任务,验证提出算法的有效性,具体的研究工作和创新成果如下:（1）基于双通道注意力机制的结直肠癌分割算法研究。本研究采用吉林大学第一医院放射科结直肠癌患者的腹部CT影像作为数据源,对结直肠癌的肿瘤区域进行分割。实验采用编码器-解码器网络作为基础结构,在编码器与解码器之间插入双通道注意力机制模块获取高维特征映射中的上下文信息。双通道注意力机制模块包含通道注意力机制模块、空间注意力机制模块以及与之并行的跳跃连接结构。实验结果表明,在Dice系数、敏感度、F1-score和Jaccard指数等指标上,本文提出的分割算法均表现最佳。（2）基于混合注意力机制的盆骨关键点检测算法研究。本研究采用开源数据库中、经过入组排除筛选后的盆骨X-Ray影像,并提供了盆骨影像中主要的八个解剖学结构的标注结果。实验中,首先将关键点位置坐标转换成为高斯热图;然后在编码器-解码器结构中添加混合注意力机制模块预测概率图;最后将生成的概率图转换为坐标值,并确定每一个位置坐标和解剖学结构的对应关系。其中,混合注意力机制分别采用一维行池化和一维列池化对特征映射进行压缩,得到宽-通道和高-通道2个向量,再使用非局部均值运算建模向量内远距离元素之间的相关性,并将从两个向量中得到的结果拼接后输出。混合注意力机制能够同时对空间维度和通道维度进行建模,充分挖掘特征图中的语义信息。本文选择结直肠癌分割和盆骨影像关键点检测任务,分别验证了融合注意力机制模块后神经网络的性能改变。实验结果表明注意力机制能够有效提升结直肠癌的分割精度、降低盆骨影像关键点定位的误差距离。