随着医疗水平不断提高,人们对自身健康状况的关注度也与日俱增,这促进了医学成像与识别技术领域的快速发展。相对于单纯的语言和文字的描述,图像在包含信息的表达上有着独特的优势,图像能承载和包含更多的信息要素。医学图像能够为人们提供更丰富和更直观的检测信息,在医学诊断中的作用越来越明显。自动的医学图像分割能帮助医生快速确认以及定位病人身体中的病变部位,观察到病变前后的变化,定性评价病人治疗前后的效果。肝脏是人体的重要器官之一,能保护机体免受许多损害。肝脏中肿瘤的定位,病灶的识别是医学领域上重要的研究方向,肝脏肿瘤区域的自动分割具有重大临床意义。生物细胞核区域和位置做到精确分割,有利于对病变细胞数量的准确计算以及掌握细胞病变情况。本论文针对医学图像分割方法做出研究,研究内容主要包含以下几点:关于肝脏肿瘤分割方法的研究,本文在UNet网络上引入GAU（Global Attention Upsample）注意力模块,并称其为GAUNet。GAU注意力模块对输入高级特征图执行全局平均池化、卷积等操作,为低级特征图的各通道提供权重信息,增强有用的通道信息,抑制无用的通道信息,从而可以加强低级特征图中包含的重要空间和细节信息,提升网络的分割能力。残差网络中的残差块使提取的特征信息更容易在各网络层之间流动,既可以增加网络深度去提高准确率,也可以在反向传播时缓解梯度消失。本文使用了Res Net的残差模块去替换GAUNet网络解码器中的卷积模块,进一步提升网络的性能。最终结合成的RGAUNet网络在肝脏肿瘤分割上效果相对较好,与FCN、UNet++等深度网络作对比,得到更高的分割性能指标。关于细胞核分割方法的研究,细胞核结构相对比较复杂,边缘信息比较多,利用Deep Lab V3+作为基础网络骨架,引入FAM（Feature Aggregation Module）模块去更好的弥补空间位置损失的信息,增强网络对高分辨率特征图信息的提取能力,在解码器部分使低分辨率高级特征图和增强的高分辨率低级特征图进行融合,使融合的特征图保留了更多细节信息。将ASPP模块中的普通卷积使用深度可分离卷积去替代,可以更好地去提取多尺度特征图的信息,捕捉到图像更多的空间和细节信息。将处理得到的多尺度特征图连接一起,有利于分割大小不同的目标。论文中提出的DSFDeep Lab V3+网络实现了对Deep Lab V3+网络的优化,DSFDeep Lab V3+网络比Deep Lab V3+网络的MIo U、Dice、Accuracy指标分别提高了3.43%、3.58%、3.44%,和其它深度学习方法相对,分割指标也相对较高,比DANet网络在MIo U、Dice、Accuracy的分割性能指标上分别提高了1.86%、1.65%、3.14%。DSFDeep Lab V3+方法在细胞核分割上显示出好的分割效果。