胃食管癌是人类高发癌症,有着极高的死亡率,在胃食管癌早期阶段及时介入治疗,可以极大地提高患者的5年生存率。目前早期胃食管癌主要依靠内窥镜检查,严重依赖于医生个人的经验和专业水平,再加上早期胃食管癌的病理特征与其他上消化道疾病的区别并不明显,容易造成漏诊与误诊。因此,开发一套早期胃食管癌的计算机辅助诊断（Computer Aided Diagnosis,CAD）系统是十分必要的。本文以深度学习（Deep Learning,DL）为技术方案开发为食管早癌分割的CAD,基于收集到的胃食管早癌内镜图像,对基于DL技术的胃食管早癌分割算法进行研究。本文主要研究内容如下:基于改进型UNet卷积神经网络（Convolutional Neural Network,CNN）的胃食管早癌分割算法。针对CNN能够有效提取局部特征,但是无法有效提取全局特征的缺点,本文提出了用于帮助基于CNN的算法模型有效提取更大尺度特征的连接上下文模块（Link-Context Module,LC-Module）,并提出全新的算法网络LC-Net,LC-Net能够有效构建上下文全局依赖,丰富网络提取的特征图谱,增强网络的语义分割能力。分别使用4322张胃早癌图像与2689张食管早癌图像对本文提出的LC-Net分割模型进行训练验证,分割胃早癌和食管早癌的Dice相似系数分别达到了76.37%和77.05%,优于其他UNet改进型网络的性能。基于Transformer技术的胃食管早癌分割方法研究。针对CNN无法有效提取全局特征的缺点,为了根本上解决这个问题,本文引入基于自注意力（SelfAttention,SA）机制的Transformer方法,提出了全新的用于分割胃食管早癌的Deep PVT网络。以Transformer方法作为骨干网络,对Deeplabv3+中的ASPP模块进行改进形成新的解码器模块,增强浅层特征与深层特征的融合,从而增强Deep PVT网络的分割能力。分别使用4322张胃早癌图像与2689张食管早癌图像对本文提出的Deep PVT进行训练验证,分割胃早癌和食管早癌的Dice相似系数分别达到了80.5%和79.8%,优于其他CNN网络。