医学图像是医生对病人病情和诊疗方案做出判断的重要依据,然而不同设备获取的医学图像通常有一定的差异,且不同病人的医学图像内容可能差异较大。医学图像分割能自动提取图像中的相应目标,一定程度上减轻医生的负担,减少因医生主观经验和图像差异等带来的漏诊误诊等。近年来,基于深度学习的分割方法以优异的性能成为医学图像分割领域的主流解决方案。然而,诸多基于深度学习的分割方法在提取特征、提升性能的同时通常会带来巨量的参数和计算负担。其次,常用的级联分割方法对前置阶段的训练成果的利用方式不够有效,难以有效提升分割精度。最后,现有二维医学图像分割方法缺乏对三维数据中蕴含的空间信息的利用。针对以上问题,本文提出多种医学图像分割方法以提升医学图像分割的性能。本文的主要贡献在于:1)本文提出一种基于特征优化的分割方法。此方法包含一种基于自注意力蒸馏机制的特征优化模块,其能够从学习效果和目标准确性两方面对特征优化的效果进行强化,且不带来额外参数;一种基于通道拆分的多尺度特征提取模块,其能够以较小的参数代价提取多尺度信息,丰富特征的多样性;一种基于分组卷积的多预测深度监督机制,其能够在提升网络训练效果的同时,通过在某一尺度上使用分组特征预测多个输出,并综合考虑多个预测结果来提升网络最终预测的鲁棒性。2)本文提出一种基于目标激活图的级联分割方法。其从前一阶段模型中提取梯度目标激活图并剔除不信任激活区域,用以强化当前阶段模型的分割性能,相比于已有的直接将前一阶段结果当作下一阶段输入等级联方式能够取得更优的性能。3)本文提出两种二维分割框架下提取和利用切片关联关系的分割方法。主要包括在序列切片输入形式下利用相邻切片特征之间的差异,以注意力强化或者特征补充的方式强化当前切片的特征;在成对切片输入形式下利用额外网络对切片关联信息进行建模,提升切片分割结果的一致性。最后,本文在多个数据集上验证了所提方法的有效性,实验结果证明了本文所提方法的有效性。