为了更加直观和清晰地观察患者体内正常和病变组织（即肿瘤）,医师通常需要借助医学影像的辅助,为患者临床诊断和制定针对性的手术方案提供科学依据和必要准备。医生在进行手术之前,可以借助医学影像分割技术,从患者的影像学资料中,得到人体的器官与病变组织分割结果。分割技术能够增加医生对肿瘤病变情况的了解程度,同时帮助医生在完全切除肿瘤病变区域的前提下,尽量保护肿瘤周围的血管、神经等正常组织,并以此增加手术的成功几率。因此,对医学影像分割的研究与应用具有重要意义。与自然图像分割领域相比,医学影像受限于成像过程复杂、患者体内各种组织的相似度较高、数据收集及标注难度较大等因素,该领域发展较迟缓。现有研究集中于基于传统数字图像处理的方法和基于特定理论的方法,其中基于深度学习的分割方法属于后者。基于深度学习的医学影像分割应用仍具有较大发展潜力,现有研究利用深层神经网络应用于多类器官及病变区域分割,以期望实现更加准确、快速的分割已成为该领域研究的趋势。本文的主要工作和贡献为:第一,针对现有分割模型泛化能力较弱的问题,本文提出了一种嵌套多种深度U-Net的卷积神经网络。该网络基于深度学习中主流的语义分割方案,以编码器-解码器框架为基础,并引入了注意力机制。该网络能够对多类医学影像中的多种器官或组织实现二维精确分割,能加强对分割任务相关区域的学习,增强了网络的泛化能力;第二,针对语义信息在特征提取过程中的损失问题,本文在嵌套卷积神经网络的基础上引入了深监督学习机制,从而保障语义信息传递的有效性与完整性,并对网络结构剪枝得到不同深度的轻量级分割网络;第三,针对病变区域边界分割模糊问题和假阳性现象,本文提出了基于多阶段卷积神经网络的三维肿瘤分割技术。该技术利用二维器官分割结果用于器官的区域定位,然后将提取到的器官区域输入到三维肿瘤分割模型中,针对病变组织进行二次精准分割,并引入了点采样方法替换原有的升采样方法,解决了边界模糊问题,引入基于二分类的假阳性分类模块,降低了医学影像中存在的假阳性现象。