胰腺分割是指从CT扫描图像中标记出胰腺的区域,其作为计算机辅助诊断技术的预步骤,可以用于胰腺的定位、疾病的检测以及手术的计划与安排等,在临床应用方面可以发挥巨大的作用,设计性能良好的胰腺自动分割算法在医学图像分割领域以及计算机辅助诊断领域具有重要的意义。随着卷积神经网络的快速发展,传统的基于手工特征的胰腺分割算法已经被基于卷积神经网络的两阶段算法逐渐取代。尽管基于卷积神经网络的两阶段胰腺自动分割算法取得了极大成功,但当前存在的算法仍然存在一些不足。本文针对两阶段方法中定位与分割的差异性,以及浅层的胰腺形状特征容易丢失的问题提出了两种胰腺自动分割算法并在两个数据集上进行了大量实验,证明了算法的有效性。本文主要研究内容如下:首先,当前存在的两阶段方法将胰腺分割分解为定位和分割两个任务,并使用相同的网络结构处理不同的任务,这是不合理的,因为模型的泛化能力是有限的。为解决这个问题,本文提出基于注意力机制的双视角和多尺度监督的胰腺自动分割算法。该算法由定位分支、分割分支和权重转换模块三部分组成,并且根据定位和分割两个任务的差异性,为定位分支和分割分支使用了不同的注意力模块,设计了特定的网络结构。另外,该算法在多个尺度上对网络进行监督以实现不同的目的——图像级别的定位损失,用于改善定位分支的准确率;全局的辅助损失,迫使权重转换模块学习全局语义信息;像素级别的分割损失,用于提高模型对于像素级分割的灵敏度。同时该算法以一种循环的方式优化分割分支的输入,消除对于胰腺定位的过度依赖,避免不正确的定位结果产生的负面影响。其次,针对胰腺的形状特征在卷积过程中容易丢失的问题,本文提出基于注意力机制的特征传播与融合的胰腺自动分割算法。该算法同样将胰腺分割分为定位与分割两个子任务,并通过两个子网络——检测网络和分割网络分别用于解决这两个子任务。在两个子网络中,为了维持、传播并且促进浅层形状特征的重利用,此算法设计了一种浅层特征与深层特征相融合的渐进式的特征传播方式。另外,该算法采用基于上下文信息的注意力特征融合（Attentional Feature Fusion,AFF）以消除由于胰腺体积小和形状差异大而产生的问题。最后,该算法在分割网络中设计了简单有效的注意力模块用于胰腺的精细化分割。本文提出的两个算法在NIH胰腺分割数据集以及医学十项全能挑战中的胰腺数据集上进行了大量实验并取得了优异的性能。与当前主流的胰腺自动分割算法相比,本文的算法在多个评价指标上均有显著的提高。