利用计算机辅助诊断技术对医学图像进行分析处理,能够为疾病的诊断和治疗提供有力的凭据。医学图像分割是实现医学图像处理的关键步骤。传统的医学图像分割依赖于手动提取特征,这使得分割任务繁重且复杂。近年来,随着深度学习的发展,人们能够利用全卷积神经网络出色的特征学习能力和端到端的处理模式进行医学图像分割。本文以乳腺X线图像的肿块分割和眼底图像的视网膜血管分割作为研究内容,具体细节如下:1.乳腺肿块分割常用的全卷积神经网络U-Net存在以下问题:1)跳跃连接的局限性使U-Net无法有效提取肿块的多尺度特征;2)简单的特征融合方法致使U-Net忽略通道之间的相互依赖关系。为缓解上述问题,本文提出一种基于改进U-Net的乳腺肿块分割方法,该方法包括自适应尺度模块（adaptive scale module,ASM）和特征精炼模块（feature refinement module,FRM）。在每级跳跃连接中嵌入ASM,该模块根据肿块尺度自适应地调整感受野,以提升网络提取多尺度特征的能力。在解码器中引入FRM捕获通道依赖性,让网络增强对有用通道的特征表示。在DDSM-BCRP和INbreast乳腺X线图像数据集上对本文方法的分割性能进行评估。本文方法获得的Dice系数分别为91.41%和93.55%。通过实验对比表明,本文方法的分割性能优于U-Net和一些先进乳腺肿块分割方法。2.针对眼底图像存在的样本类别不平衡、对比度低以及视网膜血管的解剖环境复杂等问题,本文提出一种基于改进U-Net的视网膜血管分割方法,该方法以U-Net为基础网络,在编码器最深层开发类别注意力引导（Category Attention Guidance,CAG）模块,该模块通过建立像素与类别标签之间的注意力机制,让网络借助远程的依赖关系探索全局上下文。在编码器的输出层引入深度监督策略以监督编码器学习高级语义细节,从而辅助CAG模块捕获更精准的依赖关系。与U-Net相比,本文方法的分割性能在DRIVE和CHASE＿DB1数据集上都有显著提升。与先进的方法相比,本文方法也体现了更加优越的视网膜血管分割水平。