医学影像分割是临床医学影像学分析过程中最重要的任务之一。随着医学影像与深度学习技术的快速发展,基于深度学习的医学影像分割技术在医学影像分割任务中发挥出越来越重要的作用。U-Net作为一种目前比较广泛应用于医学影像分割的深度学习方法,取得了很好的医学影像分割效果。然而,由于医学影像具有有效标注数据较少、器官组织及其肿瘤病灶的大小差异、无关背景数据干扰等特点,当前的深度学习分割算法仍然难以满足临床医学影像分割的精度要求。因此,提出能够提高医学影像分割精度的深度学习算法具有重要的研究意义。为了获得更加精准的分割性能,本文基于深度监督机制、多尺度特征融合与注意力机制,提出了两种新的基于U-Net的改进算法。所提的方法很好地改进了U-Net的分割性能,对具有不同大小目标有较好的鲁棒性,获得了很好的分割精度提升。主要的研究成果有:（1）针对有效标注数据较少时模型难以收敛的问题,本文先后在UNet基础上引入基于解码重建分支和额外扩张路径的深度监督机制以提高模型在较少标注数据时的收敛性能与分割鲁棒性;（2）针对分割网络中的特征语义差异性问题,本文先后在U-Net基础上引入基于并联多尺度模块和梯形多尺度模块的特征融合结构,以提取多尺度特征来解决特征语义差异性问题,同时增强模型对不同大小的分割目标的特征信息的学习能力,从而提高了医学影像分割模型的分割精度;（3）针对医学影像中背景信息干扰问题,本文在U-Net基础上引入一种新的多维注意力模块,以实现对输入特征图中重要相关的特征信息的自适应捕捉和对干扰信息的抑制。从而保留微小分割特征同时突出与分割目标相关的重要特征,提高网络的特征学习能力。本文首先提出了基于深度监督的多尺度U-Net模型,该模型由解码重建分支、并联多尺度和U-Net框架构成,在肾脏和胰腺CT数据集上,相比较原始U-Net模型,该方法获得了更好的分割性能表现;为了进一步提升对微小前景目标的分割精度,本研究提出了基于多维自注意力机制和多尺度卷积的双重监督分割网络。该网络由双重上采样解码路径、多维自注意力模块和梯形多尺度卷积模块构成。相比较当前的医学影像分割网络,在肾脏、胰腺和肝脏CT数据集上,该方法均获得了很好的分割性能提升。本文研究结果表明,本文所提出的两种新的分割模型在深度监督机制、多尺度特征和注意力机制三个方面改进对于实现更好的分割性能都是有效和必要的。