随着医学成像技术的不断发展,越来越多的疾病通过对医学影像的分析、处理实现了早期发现、早期诊治,大幅提升了疾病治疗效率。其中,医学影像分割能够从复杂的医学图像中提取病人病变区域,为后续的定量、定性的分析和处理工作打下基础。然而,基于专业医生的手工分割耗时费力,传统计算机图像分割技术又精度低下。因此,越来越多的学者将目光放在深度学习上,提出一系列基于卷积神经网络(CNN)的医学图像分割网络。为进一步提升深度学习在医学图像分割领域的运用,我们对深度学习模型以及特征学习领域展开研究,提出通过浅层纹理特征与深层语义特征融合方式,实现医学图像的精确分割。本文基于密集连接网络提出了一种新颖的框架,称为多路径自适应融合网络,以增强浅层纹理特征与深层语义特征的融合用于医学图像分割。在所提出的框架的下采样过程中,采用了具有快捷连接的密集块。它不仅可以在每层之间应用密集连接以充分利用局部特征,而且还可以在先前的密集块与当前密集块的每一层之间进行直接连接,从而实现有效的连续内存(CM)机制,以传播和保留浅层纹理特征。在上采样过程中,已经提出了一种新颖的多径自适应融合单元,以有效地融合浅层纹理特征和深层语义特征,而不是采用传统卷积神经网络(CNN)方式,将浅层纹理特征直接丢弃。通过在BRATS 2015上评估提出的框架,可以发现,与大多数流行的模型相比,提出的框架进一步提高了医学图像分割的性能。同时,与当前主流的基于深度学习分割网络框架相比,它可以用更少的参数获得理想的结果。此外,在完成医学图像分割的基础上,我们基于多层次特征融合,对医学图像安全性开展了探讨,提出一个的医学图像加密/解密方案以及一个隐私环境下的感兴趣区域(ROI)分割网络,进一步提升了多层次特征融合在医学图像领域的应用。