肺癌是全球最常见的恶性肿瘤,病发率和死亡率均位列恶性肿瘤榜首。在肺癌的诊断及治疗中,电子计算机断层扫描（Computed Tomography,CT）成像技术具有扫描速度快、图像分辨率高及对人体伤害低等优势,在临床中广泛应用。精确的肺肿瘤分割对于CT图像引导的肺癌诊断及治疗起着重要作用,但肺部CT图像数据量较大且部分肺肿瘤边界模糊,医生手工勾画肿瘤边界难度较大。开展肺肿瘤自动分割算法的研究对于提高医生的工作效率、提升肿瘤分割的准确性具有重要意义。通常肺部CT图像中孤立型肿瘤边界清晰,相关分割技术的研究已经较为成熟。然而,部分肺肿瘤具有边界模糊、大面积粘连周围组织及灰度不均匀的特征,这部分结构复杂的肺肿瘤统称为难分割（Difficult to Segment,DTS）肿瘤,对其进行精准分割仍是一个挑战性难题。本文针对肺部CT图像中DTS肺肿瘤的自动分割问题开展研究,结合前沿深度学习技术,提出了以卷积神经网络为基础的新方法。本文的主要研究内容如下:（1）提出了一种基于感兴趣区域边界感知的医学图像分割方法,主要包括动态边界感知损失函数及网络结构设计两个方面。动态边界感知损失函数由区域损失和边界损失组成,网络训练过程中动态调节二者的权重,使网络在学习肿瘤位置、大小等特征的同时,逐步关注肿瘤边缘区域,以提升网络对肿瘤边缘区域像素的判别能力。网络结构以U形全卷积神经网络为基础,在网络的编码器和解码器之间增加了带有长短跳跃连接的卷积块,以提取丰富的特征。在网络末端设计了一个全局注意力模块,以增强肿瘤区域的特征表达。该方法具有一定普适性,除能有效提升DTS肺肿瘤分割的精确度外,在细胞核分割、皮肤病变分割及结肠息肉分割三项医学图像分割任务上的性能相较于前沿算法也有不同程度的提升。（2）提出了一种基于混合注意力的DTS肺肿瘤分割方法,主要包括混合注意力模块和多尺度监督训练策略。混合注意力模块包括全局、局部注意力两部分,全局注意力在网络训练中学习,局部注意力不进行参数更新,根据肺实质位置这一先验知识人为设定,两部分注意力共同作用于不同尺度的特征图,使网络在训练过程中始终重点关注肺实质区域。多尺度监督训练策略即在网络训练过程中,使金标准对不同尺度的特征图进行监督,以提升网络特征提取的准确性。网络同时学习肺实质和肺肿瘤的特征,以增强网络对肿瘤边缘像素的判别能力。该方法进一步提升了DTS肺肿瘤分割精确度。