当前,计算机相关技术在医学领域扮演了越来越重要的角色。而医学图像作为医学诊断中重要的组成部分,对于病患的病情判定,疾病的严重程度评估,以及康复预测等方面,都具有极其重要的意义。医学图像分割可以快速且准确的将医学图像中的病患区域和背景区域分割开,对于临床治疗和医学研究都有很好的辅助作用。深度学习的兴起大大提高了医疗图像分割的准确度,同时可以提取出医生很难定性定量的病理特征,甚至探究尚未发现的医学原理。然而,当前还有诸多因素制约了医学图像分割的发展。很多任务的准确率还无法达到临床实践的要求。其中主要有三个方面的原因。第一,部分医学图像的背景复杂,前景和背景中的某些物体非常相似,这无疑会增大分割的难度。第二,语义实体的边缘像素难以识别。在深度学习网络中,为扩大感受野,提取高阶特征,往往通过池化层降低特征图的分辨率。而这会使得图像在恢复为原分辨率的时候损失边缘信息。第三,医疗图像收集较为困难,少量的数据容易造成深度学习网络过拟合。当前的创面图像分割算法,常常采用传统特征工程算法与卷积神经网络相结合的方法。即先使用传统的图像处理算法对图像进行预处理,再使用深度学习网络对图像进行分割。然而这样的算法存在两个问题:（1）预处理算法中存在参数,而参数需要根据具体数据集进行调整,参数调整需要耗费大量的时间和人力。（2）预处理算法对所有图像进行预处理。然而有一部分图像经过预处理会产生过曝现象,使得这部分图像分割准确率不升反降。针对以上问题,我们设计了一个端到端的创面分割网络,并命名为D-Unet。该网络可以随训练过程自动调整预处理算法的参数,并使用双输入保留了原始图像的特征信息,在创面图像数据集中取得了当前最好的准确率。其基本思路为:（1）将预处理算法中的卷积操作,换成卷积神经网络中的算法。以此将预处理算法融合进卷积神经网络中,实现了自动调整参数的目的。（2）使用两个输入分支,其中一个是经过预处理的图像,另一个输入分支为原始图像,以此来消除预处理对部分图像的负面影响。目前针对息肉分割的深度学习网络,仍然存在大块的息肉区域识别错误。这主要是由于高阶语义特征信息较弱的原因,其次,多重感受野模块存在填充的面积相对特征图过大的情况。针对这些问题,本文提出了增强高阶语义信息的网络——RcaNet,该网络有效增强了高阶语义信息,改善了大面积区域的识别问题,在所有的息肉数据集中都取得了最好的准确率。其主要思路是:（1）使用细化残差模块增强了高阶语义信息。（2）改进了现有的多重感受野模块。（3）削减了跳跃连接的数量,消除了不必要的低阶高分辨率信息的冗余。视网膜血管分割是视网膜疾病识别系统的重要组成部分,其准确率直接关系到疾病识别的准确率。然而当前视网膜血管分割的性能还远远达不到临床诊疗的要求,主要原因在于分支血管过细,当前针对视网膜血管分割的深度学习网络还无法处理如此细小的结构。针对该问题,我们设计了一个全新的针对视网膜血管分割的架构,该架构有效解决了分支血管分割困难的问题,取得了较好的结果。其主要思路为:（1）首先使用CLAHE算法对视网膜血管图像进行增强。（2）使用多种方式对数据集进行数据增强。（3）设计了一个新的针对视网膜血管分割的深度学习网络。该网络由多尺度输入,分为两个网络,包括一个主体网络,一个细节网络。主体网络是完整Unet网络,细节网络为两阶段特征提取网络,用来增强细小血管的分割细节。