医学影像分割是现代医学影像分析的重要基础。深度学习与医学领域的交叉融合旨在辅助医生对医学影像进行人体组织或病灶区域的提取和分割,高效准确地做出医学诊断。因此,利用深度学习的学习能力辅助医生进行医学影像分析,可以节约医生的时间与精力,均衡不同发展区域的医疗资源。如今随着计算机性能的提升和医学数据量的增加,传统方法手工提取图像特征具有一定的局限性,深度学习通过多层神经网络叠加,能够更好地提取图像的局部细节信息和高层语义抽象信息。本文深入研究了基于U-Net的医学影像分割技术,针对U-Net存在的不足提出了两种新的医学影像分割算法,在多个医学影像公共数据集上表现出了良好的性能,并获得了较好的可视化分割结果。本文主要研究工作如下:首先,本文对经典网络U-Net进行改进,提出了基于残差网络和注意力机制的医学影像分割算法RAU-Net,并且在COVID-19肺部感染数据集上验证RAU-Net的性能。由于U-Net网络存在欠分割和特征提取不充分问题,RAU-Net通过在编解码路径使用残差块来增强模型提取特征的能力,进而更加有效的提取病灶区域特征。RAU-Net通过注意力门AG来处理跳过连接的编码特征,使网络模型更加关注COVID-19感染的病灶区域,抑制CT图像中背景区域的特征响应,有效的降低病灶边界模糊的问题。其次,本文对RAU-Net作进一步的改进,基于循环神经网络提出了R2AU-Net,并且在三项医学影像分割任务上验证R2AU-Net的性能。RAU-Net对于COVID-19肺部感染区域分割性能良好,但是忽视了ROI中像素点的相关性,对于某些医学影像的分割结果具有一定的不连贯性。R2AU-Net使用循环残差卷积块进行特征提取,旨在增强模型整合上下文信息的能力。对于不同形式的医学影像,循环残差卷积块有助于提取至关重要的浅层特征,然后由注意力门来聚合浅层细节信息和高层抽象语义信息。最后,针对不同的医学影像,本文分别采取了不同的训练策略。利用随机正则的思想,对Re LU激活函数进行改进,进一步细化皮肤病变分割结果、对于视网膜血管数据进行数据增强、肺部标签的重新制作。实验结果也证明了不同训练策略对于不同分割任务的有效性。