腹部存在许多重要器官,而腹部医学图像是腹部器官疾病的重要诊断依据,在临床实践中,医生对腹部器官和肿瘤的自动分割算法提出了很高的要求。然而,基于医学图像的分割方法的研究存在诸多困难和挑战:医学图像中严重的类间不平衡、差异小的问题;没有充足的标注数据;器官中肿瘤的数量、形状、大小、位置的多样性等,这些问题极易造成漏检、分割效果差等情况。随着人工智能和计算机视觉技术的不断成熟,基于医学图像的计算机辅助诊断技术进入了快速发展的阶段。机器学习,特别是深度学习在医学图像识别、分类和配准等方面起着至关重要的作用。自从全卷积网络(FCN)在语义分割中被提出后,出现了许多基于FCN的医学图像分割模型,其中U-Net是最成功的模型之一。然而,U-Net和U-Net的变体往往牺牲真实的分辨率来追求高层次的特性。另外,医学图像分割模型捕获多尺度特征并产生长距离相关性的能力也很少受到关注。由于上述问题的存在,目前尚未出现能够有效应用于临床的器官及肿瘤分割的辅助诊断工具,因此,本文对基于改进全卷积神经网络的腹部图像分割方法进行研究,主要工作包括:(1)基于上下文拼接网络的腹部图像分割方法研究,在医学图像分割任务中,提取多尺度特征和上下文信息尤为重要,本文通过对现有语义分割方法的研究,提出了一种上下文拼接网络(CS-Net),在保留空间信息的同时提取丰富的上下文信息;(2)边缘感知网络(CA-Net)构建,在分割分支的基础上加入边缘检测分支,目的是进一步提高模型对肿瘤边缘的识别能力;(3)数据收集和实验验证。收集并处理医院提供的数据集,将医生标注的标签值进行规范化,目前用于实验的扫描序列共438个。在3个公开数据集(CHAOS,LiTS和KiTS)和医院数据集上对提出的网络进行有效性验证,并与现有方法进行对比,实验结果表明,本文的网络在不同数据集上均优于对比方法或和对比方法有相近的结果。