生物医学图像的分割是生物医学图像计算与分析中的重要技术之一。虽然有监督的深度学习分割方法已经在生物医学图像分割任务上取得了巨大的成功,但它依赖大量成本高昂的像素级标记。因此,使用尽可能少的数据标记成本实现高性能生物医学图像分割算法的研究是十分有意义的。本文将对无标记和稀疏点标记医学图像数据的分割算法展开研究。利用现有的其他像素级标记数据域知识（源域）和稀疏点标记这两类不准确信息对目标数据域分割算法提供弱监督信号。使用域自适应方法将源域模型迁移应用到目标域上。由于不同的域可能会出现较大的差异性,因此实现良好的域自适应效果的关键在于使用哪些领域知识去驱动模型的域自适应。基于上述关键点提出了两种有效的解决方法,具体的研究工作如下:1)提出了一种基于无监督域自适应的电子显微镜图像分割方法,在视觉特征空间、语义特征空间以及形状空间上实现域自适应。具体地,本方法在对抗域自适应多任务学习框架中,利用源域和目标域的重构任务实现视觉特征空间的域自适应。在形状空间引入域判别器,基于对抗学习引导分割模型在目标域和源域上的预测形状尽可能相似,实现形状空间的域自适应。进一步地,为了增强目标域特征表示的判别力,同样地在语义特征空间也引入了判别器进行域自适应学习。在公开的电子显微镜图像数据集上进行了大量实验验证。实验结果表明,本方法在分割精度和视觉质量上均优于目前大多数先进的无监督域自适应方法。2)提出了一种基于稀疏点监督域自适应的电子显微镜图像图像分割方法。在源域知识和目标域稀疏点标记信息辅助下指示目标域的位置和数量信息,然后使用目标域的伪标签自训练完善边界信息。具体地,本方法通过在源域知识引导下学习目标域稀疏点标记监督的空间计数任务和利用源域知识约束量化计数任务。然后为了定位更精确的轮廓信息,在目标域上引入像素级伪标签自监督训练。在公开的电子显微镜图像数据集上进行了实验验证,实验结果表明本方法基于稀疏点监督域自适应可以达到与有监督模型相比有竞争力的分割结果。特别地,本方法仅利用15%的稀疏点标注的达到了DSC准确度为90.6%的分割效果。