临床中进行疾病诊断需要对医学影像进行分割研究。基于医学影像分割的技术,是辅助医生对病灶组织外部形态进行观测、诊断以及分析的有效方法。但由于医学图像本身的高度复杂性,依靠人工分析医学图像是低效率的,因此,高效的自动化分割医学影像的应用具有重大意义。目前,基于传统机器学习的图像分割方法达不到业界对分割精度的要求,因此,有学者应用基于深度学习的算法对医学影像进行分割研究。但目前提出的大多数医学影像分割模型,为了改善特征提取能力而极力地增加网络深度,这种方式造成了模型结构臃肿,另外,模型的训练效率往往较低且泛化能力较差。对于当前全卷积神经网络存在的感受野大小固定以及训练过程中深层特征信息损失较严重等问题,本文提出IASPP-UNET（Improved Atrous Spatial Pyramid Pooling Block UNET）模型。本文提出的模型架构在三维UNET（Three-Dimensional UNET,3D UNET）的基础上引入了多尺度感受野与残差机制,并使用了深度分支监督机制,通过对模型结构优化,与原始模型相比就具有更强的特征提取能力与减低了深度信息损失。同时,通过使用Dice损失与Lovász-Softmax损失融合作为新的损失函数,可缓解医学数据类别不均衡的问题,能够更加有效地进行医学影像的分割任务。本文实验对3D医学影像的自动化分割算法进行研究,通过多尺度机制以及多种优化措施提高模型的分割性能,本文主要研究内容包括:（1）阐述了医学影像特点和分割算法研究发展背景,其次,介绍了基于传统的与基于深度学习算法的图像分割技术的共同优缺点;（2）介绍了二维和三维医学图像的基本特点,以及阐述了语义分割模型中广泛应用的编解码结构,提出了针对三维医学数据的图像增强策略、图像预处理方法以及后处理方法;（3）阐述了以3D UNET为基础的编码-解码架构的基本概念,对于当前全卷积神经网络存在的特征感受野适应性不强,不同特征提取能力差异较大,训练过程中细节信息严重损失等问题,本文提出一种医学影像分割架构。该网络模型架构主要功能包括:用于对图像特征进行多尺度特征提取的图像编码器、还有用来生成结合浅层与深层图像特征的残差图像解码器,有效地防止特征信息在整个网络信息传输运行过程中发生丢失以及引入深度监督分支,有助于神经网络模型在编码阶段训练到更好的图像压缩特征,并且对模型整体参数权重起到强大正则化作用;（4）本文在模型本身与深度监督网络之间使用Dice损失与Lovász-Softmax损失融合形成新的损失函数,抑制了医学数据中存在的类别不均衡的现象,以提升网络的分割效果;（5）在本文第四章中对两种医学影像数据进行相关实验与分析,根据实验结果分析可知,前列腺影像的平均像素精度、平均交并比、Dice系数以及豪斯多夫距离分别为94.38%、76.25%、92.23%以及3.76mm,优于当前主流的模型分割结果,证明了本模型的有效性;而左心房影像的分割效果则验证了模型本身的泛化能力。