医学影像分割与重建是医疗辅助诊断中的关键任务,其目的在于从像素级别准确识别出目标器官、组织并还原其三维结构。而在复杂的组织结构中不断提高精度已成为精准医学和智慧医疗的迫切需要,其研究具有一定的实际意义。本文主要研究了基于CT医学影像的多器官分割与重建的关键技术,着重探索了基于Transformer的轻量级分割算法、基于NAS的高效分割架构搜索策略以及基于主动轮廓模型和图卷积的三维重建算法。首先,在基于Transformer的轻量级分割算法中,推导了一种计算复杂度较低的全局自注意力近似方案,在近似方案的基础上,建立了一个由卷积运算和自注意力运算组成的多分支结构用于重构Transformer,将重构后的Transformer嵌入到一个带有跳连接的编解码U型架构中实现腹部多器官分割,该算法能够以更少的参数和更低的计算量获得非常优秀的分割性能。其次,基于神经架构搜索（Neural Architecture Search,NAS）探索了高效分割架构,引入轻量级Transformer,设计了包含多种的卷积算子和轻量级Transformer的多尺度搜索空间,提出了一种高效的资源约束搜索策略来训练搜索网络,它有效地探索搜索空间,并在给定分割任务和计算资源的情况下找到最优架构。此外,在基于主动轮廓模型和图卷积的三维重建算法中,设计了处理三维CT数据的图像编码模块、进行CT数据三维体素分割的分割模块以及将体素特征和网格特征连接起来的特征连接模块用来辅助网格变形,在网格变形部分借鉴主动轮廓模型优化图卷积的形状正则化项,确保网格表面平滑约束,能够得到即平滑又准确的网格表面。总之,论文通过对轻量级分割算法、高效分割架构搜索策略以及三维重建算法的探索,为医学影像分割与重建任务提供了解决方案,具有一定的借鉴意义。