近年来,基于U型架构的卷积神经网络模型在医疗图像分割领域中发展迅速,但由于该类模型结构简单,在特征处理上较为简易,以至于其分割精度还有较大的提升空间。因此,本文以多尺度策略为研究主线并基于U型架构展开研究,主要内容如下:（1）由于医学图像的特征形状多变,细节信息较多,从而导致模型在训练过程中难以有效的捕获细节特征信息。因此,本研究提出一种新的多尺度特征融合模型,其主要是将金字塔池化模块和等深度卷积机制整合到U-Net架构中以进行医学图像分割。（2）为改善传统卷积神经网络模型在特征的处理上存在感受野小以及细节特征不敏感等现象,本研究在U-Net架构的基础上结合多尺度策略和注意力、空洞卷积等机制,提出一种双路径多尺度注意力卷积神经网络模型。首先,构建一个双路径因式分解多尺度融合块来代替U-Net的跳跃连接,以缩减低层和高层特征之间的语义差距;其次,引入通道和空间融合自注意力模块,来抑制不相关的部分以突显深层特征的空间信息;最后,在U-Net末端引入多尺度注意力块,用来突出不同尺度中最显著的特征图来适应当前分割对象的大小。综上所述,本文基于多尺度卷积神经网络的医疗图像分割研究提出两种不同的医疗图像分割模型,并在肝脏数据集、肺部数据集以及细胞轮廓数据集等公共医疗图像分割任务中对所提模型进行了分割性能测试。最终评估结果证明,本文所提模型在Dice系数、Acc、Sen以及AUC等评价指标上均高于当前用于医疗图像分割任务的主流架构。