肾癌是最常见的恶性肿瘤之一,它给人们的健康带来极大的损害。当前临床治疗中惯用的方式是手术切除,主要为根治性肾切除术和保留肾单位手术,手术方式的选择可以依据对肾脏功能进行评估后的结果,这就要求准确找到肿瘤位置并计算去除肿瘤后的肾脏功能。在腹部增强CT图像中可以定位肾肿瘤的位置,而对于肾功能的评估需要利用SPECT肾动态显像,这两种模态的图像可以通过平扫CT来建立关系,本文主要对增强CT图像和平扫CT图像的分割进行研究。目前,CT图像的分割都是经过经验丰富的专家手动进行,这种人工分割方式会耗费大量时间和精力,且结果会受主观因素的影响,若有对肾脏与肿瘤进行自动分割的方法,这会极大的推动临床诊断发展。随着深度学习在医学图像分割领域的不断发展,计算机辅助诊断系统成为趋势,相较于传统分割方式而言,基于深度学习的医学图像分割方法可以自动学习图像语义特征且无需过多人工干预,本文基于深度学习来构建CT图像分割模型。主要工作内容如下:（1）针对增强CT图像进行肾脏与肿瘤的分割,提出一种基于卷积神经网络的三阶段方法。首先,利用Mask R-CNN网络识别肾脏,对含有肾脏的断层切片汇总,缩小目标范围;然后,对肾脏与肿瘤进行分割并汇总含有肿瘤的断层切片,采用以U-Net为基础,下采样增加密集连接,上采样使用双三次插值的网络,获得更准确的全局位置特征和局部细节特征;接着,再继续进行肿瘤分割,将结果与上一阶段融合;最后,使用基于三维连通域的方法进一步优化分割结果。（2）针对平扫CT图像进行肾脏（含肿瘤）的分割,提出基于卷积网络的两阶段方法。首先采集平扫CT图像、制作数据集,并完成数据标注,然后根据图像特征进行预处理操作。该方法与增强CT分割方法思路一致,先利用Mask R-CNN网络汇总含肾脏的断层切片,然后利用增加密集连接的U-Net网络进行肾脏分割,由于图像中肾脏与周围其他组织对比度低,特征不够明显,设计多尺度特征提取模块,在上采样前引入该模块,便于获取不同感受野下的图像特征,充分结合全局和局部语义信息,最后利用后处理操作进一步优化分割结果。本文针对不同的CT图像进行不同分割,提出基于多阶段的分割方法,通过实验证明,所提出的方法能够提高分割精度。