目前,深度学习已被广泛应用于图像处理和计算机视觉领域的相关研究中。早期的深度学习方法通常着眼于基于图像的局部特征对目标任务进行建模,对特征之间关联的关注较少。近年来,注意力机制走入研究者的视野并逐渐成为相关研究中的重要工具。基于注意力机制的深度学习方法通常在深度模型中引入特征关联结构,从而在模型学习过程中实现对目标任务相关特征的增强和无关特征的抑制,进而获得更优的目标任务深度模型。本文在前人研究的基础上,就基于注意力机制的图像分割和图像增强深度建模技术展开研究,主要内容如下:（1）提出一种基于标签敏感注意力机制的医学图像分割深度建模方法。现有基于注意力机制的深度学习方法通常在深度模型中构建局部特征之间无差别的关联结构,但在图像分割任务中,局部特征之间的关联应是标签敏感的,即相同标签的图像区域局部特征相关度较高而不同标签图像区域局部特征差异较大。有鉴于此,本文在构建深度分割模型时,首先对图像局部特征之间的特征关联进行建模,并提出一种三元组损失用来指导网络优化过程,增强同标签特征相关性和不同标签特征的差异性,随后将所学习的特征相关性嵌入U-Net分割网络,进而实现分割性能的提升。此外,所设计的网络还进一步考虑了分割目标的尺度变化,在U-Net的每一个模块采用多尺度的感知结构,丰富了特征编码的上下文信息。在多个医学图像数据集上的分割结果显示,实验提出的方法同先进的医学图像分割方法对比,能在多个指标和分割结果上取得不错的表现。（2）提出一种基于注意力门控机制的红外低光图像融合增强方法。现有的图像增强方法通常基于低光图像直接展开,当图像中存在被极低光遮蔽的局部区域时,难以获得满意的效果。有鉴于此,本文在进行深度图像增强建模时引入红外图像,为图像增强提供更丰富的输入特征,避免了极低光情况下产生的图像信息缺失问题;同时引入注意力门控机制构筑特征选择通道进行特征筛选,增强图像显著性特征并抑制无关特征,从而实现低光图像的有效增强。具体的网络结构主体采用生成对抗网络,其中生成网络包括侧边特征融合模块,用于提取多尺度的红外和低光图像特征,并采用注意力门控模块对提取的特征进行筛选。为优化网络设计了多维度的损失函数,包括图像像素级的内容损失、全局和局部的对抗损失以及特征权重损失,从多个维度衡量图像增强的质量,确保图像的训练和优化。本文方法在多个公开数据集上进行测试,在SSIM、PSNR、MSE等指标上同几种目前流行的低光增强方法相比,取得了更好的表现。