在患癌人群当中,直肠癌是消化道最常见的恶性肿瘤之一,严重威胁着人们的生命健康。有科学研究证实,改善直肠癌的根治效果应该考虑综合疗法,即外科和放射结合的方式,该治疗方法对晚期直肠癌患者以及有外科禁忌证患者都有较满意的疗效。由于放射治疗在直肠癌治疗中的优越性,而对直肠癌区域进行分割是放射治疗的一个关键步骤。因此直肠癌分割对于患者的治疗具有重要意义。医学影像是直肠癌分割的重要方法,其中磁共振成像具有对比度高,在软组织当中有优势以及对人体没有危害等优点,是最常用的医学影像。由于传统的直肠癌分割依赖于经验丰富的医生,耗费大量的时间和人力,同时直肠癌具有较小的尺寸和多变的形状等特点,给直肠癌的分割带来了很大的困难。因此,需要对直肠癌进行更精准,要求更高的分割,以改善临床常规工作,提高医疗效率和可靠性。近年来,为辅助医师做出更为准确的诊断,同时降低医师工作量,各类计算机辅助诊断方案日益提出。特别是人工智能以及深度学习技术的出现,为计算机辅助诊断方案显示出了巨大的研究前景。因此,本研究提出了一种基于特征融合和注意力机制的直肠癌的检测与分割方法,通过两个阶段实现直肠癌的分割。第一阶段使用基于卷积神经网络的目标检测模型实现直肠癌区域的检测,第二阶段使用改进U-Net模型对直肠癌进行分割,两阶段都通过特征融合和注意力机制提高相应任务的准确性。本文的主要贡献可以总结如下:（1）直肠癌区域检测在第一阶段,基于卷积神经网络,构建了一个基于多尺度特征和可变形卷积的目标检测模型,将直肠癌区域从整张图像中检测出来,以排除周边器官干扰。由于两阶段目标检测模型具有精度高的优势,本文选取faster R-CNN模型用于直肠癌区域的检测。为了提高模型对多尺度特征的鲁棒性和对复杂形状变化的建模能力,本文提出了一种以多尺度特征融合和注意力机制为基础的新的特征金字塔结构,并将faster R-CNN模型中特征提取网络的传统卷积替换为可变形卷积。最后,模型在测试集上取得了良好的检测结果。（2）直肠癌分割在第二阶段,使用了基于轮廓预测的改进U-Net模型对直肠癌进行分割。在改进U-Net模型中,本文做了四点改进:1)使用Squeeze-and-Excitation Networks（SENet）取代编码器;2)在最后一个编码器之后添加一个全局池化层;3)在每个解码器中加入空间和通道注意力机制;4)将每个解码器的输出结果进行合并。此外,该模型并行的实现了直肠癌的内容分割和轮廓分割,这样,内容和轮廓信息都被模型学习,以提高分割的准确性。最终,使用测试集对所提出方案进行验证,得到的Dice和Mean Intersection over Union（MIo U）分别为98.9%和89.7%,表现出优异的分割性能。