肝癌是世界上最常见的癌症之一,它严重威胁人们的生命。肝脏及其肿瘤分割是肝癌治疗中的重要步骤。对腹部CT影像进行肝脏肿瘤分割是一种常规的辅助诊断手段。然而CT影像中肝脏附近存在密度与其相近的器官,并且肝肿瘤具有边界模糊、位置随机、数量不确定、形态和大小不一等特点,这些均是制约肝脏肿瘤分割效果的不利因素。近年来,针对CT影像的深度学习分割方法已有不少研究,但是这些方法在肝脏及其肿瘤分割中存在过分割、欠分割、边界模糊以及分割精度低等问题。针对这些问题,本文对肝脏肿瘤图像分割进行了研究,提出一种级联的改进U-Net肝脏肿瘤图像分割方法,主要的工作如下:（1）提出一种基于多尺度特征和残差模块的U-Net肝脏分割方法（FRes U-Net）,该方法采用U-Net结构,设计改进的残差模块替代普通卷积层,提高特征利用率;重新设计跳跃连接,使得解码器连接来自编码器上的多尺度特征,减少编码器和解码器间的语义差异;采用了二元交叉熵损失函数和Dice相似系数损失函数的混合损失函数,缓解类不平衡问题并加快网络收敛。本文在Li TS数据集上进行了充分的实验验证,在DSC、SEN和IOU评价指标上分别达到93.69%、94.87%和87.49%,与U-Net模型基线相比分别提升5.61%、7.04%、3.91%,在分割精度上有明显提升,有效抑制了过分割和欠分割问题。（2）提出融合双注意力模块和残差模块的U-Net肝脏肿瘤分割方法（DAMRUNet）。该方法在编码器和解码器之间的跳跃连接中融合双注意力,通过通道注意力和空间注意力来获取特征的通道和空间关联性,保留更丰富的语义信息,使网络聚焦于局部肿瘤特征;使用改进的残差模块代替普通卷积层,提高特征的利用率,增强模型的分割效果。本文在肝脏分割的基础上进行了肝脏肿瘤分割实验,在DSC、SEN和IOU评价指标上分别达到了76.05%、72.29%和67.98%,与U-Net模型基线相比分别提升6.21%、5.74%、7.63%,分割肝肿瘤边界清晰,分割精度明显提高。（3）将理论成果与实际应用结合,设计并实现了肝脏肿瘤医学图像分割的图形化界面系统。该系统包含数据可视化、图像预处理、图像分割三大功能模块。该系统操作简单、响应迅速,可辅助医生对CT影像中的肝脏肿瘤病变情况进行观察分析和快速诊断,简化诊断过程,提高工作效率。