图像分割已广泛应用于生物医学、遥感对地观测、智能交通以及工业检测等多个领域。尤其在医学图像分析领域,图像分割能够实现器官、组织及病灶的识别和重建,是医生进行病情诊断及手术导航规划的重要计算机辅助手段之一。然而由于不同医疗成像设备采集到的图像有明显差别,容易存在噪声、模糊等现象,同时不同器官边界之间灰度值差异较小,这使得从医学图像中提取有意义的特征比自然图像更加困难。近年来,随着深度学习技术飞速发展,医学图像分割将不再需要手工制作的特征,卷积神经网络（CNN）可以成功实现对图像特征的提取与表达,从而成为有效的医学图像分割手段。与此同时,医学检测手段和技术的大幅提升带动了医学大数据的发展,这也为深度学习在医学图像分割上的应用提供了数据前提。因此,本文研究基于编解码网络的医学图像分割技术,主要解决常规编解码网络对于医学图像分割精度低、模型参数量大的问题,研究内容主要包括:（1）针对常规编解码网络无法提取不规则的器官形状特征并且无法获取多尺度空间上下文信息,导致分割精度差的问题,本文设计了基于可变形编解码器的神经网络模型。该模型首先将可变形卷积应用到神经网络编码器阶段,这可以帮助网络学习具有自适应结构信息的卷积核来获取更丰富的几何信息,从而更好的适应不规则的器官形状,增强模型建模几何变换的能力,提高模型的分割精度;其次设计了一个阶梯特征金字塔（Ladder-ASPP）应用到编解码器之间的特征融合阶段,Ladder-ASPP模块采用不同膨胀率的卷积替代池化操作,一方面能避免池化操作带来的下采样信息丢失不可逆的问题,另一方面采用不同膨胀率的卷积组合可以提取到全局多尺度空间上下文信息,同时采用了密集连接,这有助于模型在融合阶段更好的进行信息提取和传递。实验证明该网络框架有更好的特征表达能力,可以得到更准确的肝脏和肝脏肿瘤的分割结果。（2）针对常规编解码网络模型参数量大、存储需求高,并且在分割结果中边界不准确导致分割精度低的问题,设计了一种基于形状引导的超轻神经网络架构。本文首先设计了一种超轻卷积应用到编码器中,可以大幅度降低模型参数量,超轻卷积是对深度可分离卷积的进一步分解,它将标准卷积分解为深度非对称卷积和点卷积,这不仅可以有效减少模型参数数量,而且深度非对称卷积可以进一步提高模型的鲁棒性,点卷积可以帮助模型更好的进行特征组合利用;其次设计了一种形状引导的对抗策略（SAAE）来指导网络分割,SAAE可以探索图像中器官位置和形状的先验信息在低维空间的表达方式,在不需要更改原有模型的前提下通过附加形状差异学习,可以有效的学习形状表示,并且SAAE的监督不会造成网络模型参数量的增加,可以保证在资源受限场景下实现高质量的医学图像分割结果。实验证明该框架可以在较低的模型参数情况下实现更高精度和更精细边缘的分割结果。