深度学习技术被广泛应用于医学图像分割领域,与传统医学图像分割算法相比在精度和实时性方面有一定的优势。其中结直肠息肉分割技术在结直肠癌的早期治疗中具有关键性作用,可以有效降低结直肠癌的发病率。由于结直肠息肉的大小、颜色和纹理各异,且息肉与周围粘膜的边界不清晰,导致息肉分割存在较大挑战。为了解决实际分割场景下存在的问题,本文分别以Deeplabv3+和Double UNet为基准网络提出了两种改进算法,主要工作如下:（1）提出了一种针对不同数据集的数据预处理方法和一种针对分割结果的后处理方法。其中数据预处理方法包括结直肠息肉图像去反光方法和所有数据集的数据扩增方法,结直肠息肉图像去反光方法降低了结直肠息肉图像中反光区域对训练过程的影响,而数据扩增方法解决了医学图像数据集样本数较少的问题,单张图片通过不同图像处理方法能够扩增至26张不同图片;分割结果的后处理方法包括条件随机场和测试时数据扩增两种方法,实验证明本文提出的后处理方法能够精细化最后的分割结果,提高分割准确率。（2）提出了一种模型轻量化的结直肠息肉分割算法。该算法以Deeplabv3+网络为基准模型,通过使用轻量化骨干模型Mobile Netv2来进行特征提取,大大降低了模型的参数量和提高了模型的训练速度。此外,在编码器中引入BAM注意力模块以解决结直肠息肉图像中某些像素难以准确分割等问题。在Kvasir-SEG数据集和CVC-Clinic DB数据集上进行实验时,相较于基准网络Deeplabv3+,本文所提出的算法分割准确率更高,并且参数量少,训练所消耗时间更短。（3）提出了一种改进DoubleUNet网络的结直肠息肉分割算法。该算法首先在Double UNet网络的解码器部分引入注意力机制,并将网络中的空洞空间卷积池化金字塔（ASPP）模块替换为密集连接空洞空间卷积池化金字塔（Dense ASPP）模块,以提高网络提取特征的能力;最后为提高小目标的分割精度,提出利用Focal Tversky Loss函数作为本算法的损失函数。该算法在Kvasir SEG、CVC-Clinic DB、ETIS-Larib、ISIC、DSB数据集测试中的准确率分别为0.9530、0.9642、0.8157、0.9503、0.9641,而Double UNet算法在上述数据集的准确率分别为0.9394、0.9592、0.8007、0.9459、0.9496。实验结果表明本文算法相对于Double UNet算法具有更好的分割效果,可以有效地辅助医师切除结直肠异常组织从而降低息肉癌变的概率,并且能够应用于其它医学图像分割任务中。