本文通过研究深度学习技术,尤其是深度卷积神经网络模型,实现直肠肿瘤磁共振图像（Magnetic Resonance Imaging,MRI）的高精确度自动分割。针对医学图像普遍存在的难题:第一,可用数据量较少;第二,图像中病灶区域与其他软组织对比度差异不明显,且目标和背景区域类别不平衡;第三,缺少简单易用的自动化分割系统。本文重点展开如下三个方面的研究与创新:（1）为了实现MRI图像中直肠肿瘤区域的精确分割,解决图像中类别不平衡问题,本文首先设计了一种新型卷积神经网络方法ASR-UNet。本方法以U-Net为基本框架,使用改进的残差结构作为分割模型的基础卷积模块,这种带有跳跃连接的结构有利于梯度信息的长距离传播,从而提高模型的可训练性。其次,本方法在网络浅层特征和深层特征融合的过程中,引入空间区域和特征通道的双注意力机制,使模型可以从特征空间自适应选择相对重要的信息进行融合,如数量相对较少的掩膜区域,从而提高网络的特征表征能力,更好地结合上下文信息,改善分割结果。最后,本文设计了基于二元交叉熵损失函数和DICE损失函数的组合式损失函数,并应用于分割模型训练过程,进一步改善训练样本中类不平衡问题。（2）为了解决可用于训练的高质量直肠肿瘤标注图像数据集缺少的问题,本文首先构建了一个新的直肠肿瘤MRI图像数据集,并基于该数据集验证和对比不同自动分割框架的性能。其次,本文使用图像处理技术,如归一化、对比度增强等方法提高图像质量,改善图像清晰度和病灶区域对比度。第三,本文使用数据增强方法,通过几何变换提高训练样本多样性。在网络训练策略方面,本文基于迁移学习思想,使用在大规模训练集上得到的预训练网络模型,作为我们分割网络模型的初始化参数,可以加快网络收敛,提高网络泛化能力,降低过拟合风险。（3）为了可视化分割算法的结果,辅助医生进行直肠肿瘤的临床医学诊断,本文基于Matlab设计并实现了直肠肿瘤MRI图像自动分割系统。综上,本文提出的ASR-UNet模型集成了U-Net网络、残差网络、注意力机制的优势,在直肠肿瘤MRI图像数据集上的性能对比实验表明了本文提出研究方案的有效性与合理性。基于提出的新方法,本文最终设计并实现了直肠肿瘤MRI图像自动分割系统,为保证医生临床诊断的准确率提供了可靠的参考信息,具有一定的实际应用价值。