癌症是一个全球性的公共问题,在所有消化道癌症病例中,直肠癌患者的发病率和死亡率均位列第一,危害着人类的生命健康。目前,磁共振成像技术可以为直肠癌患者提供更高的软组织对比度和无辐射影响,已成为应用最广泛、最有效的直肠癌检测方法。随着直肠癌早期筛查的普及,大多数直肠癌患者能够在早期发现并得到及时的治疗,明显提高了患者的生存率。在早期筛查中,放射科医生需要根据患者的医学影像特征,并结合丰富的临床经验进行诊断。然而,诊断结果可能受到经验、视觉疲劳和图像清晰度等因素的限制,出现误诊和漏诊现象。此外,由于直肠肿瘤周围器官较多,而且有些器官与肿瘤形状相似,从而造成肿瘤边界不清晰,增加了医生诊断直肠癌的难度。计算机辅助诊断在辅助和改进医生工作中发挥着越来越重要的作用,被称为医生的“第三只眼”。近年来,随着深度学习算法的迅速发展,计算机辅助诊断在医学图像分析领域有了进一步的完善和提高。本文基于深度学习技术研究了一种直肠磁共振图像中肿瘤分割与分期的计算机辅助诊断系统,来帮助医生快速定位病灶区域并提供有价值的分期参考依据。本文的主要贡献可以总结如下:（1）基于U-Net的直肠肿瘤分割研究在直肠肿瘤分割阶段,本研究基于传统的U-Net网络,首先,提出了一个多尺度密集连接的卷积块,并将其嵌套到U-Net编码器模块中。接着将非线性的轻量化残差块引入到跳跃连接,以缩小编码器和解码器特征映射之间的语义差距。然后,将目前流行的双通道注意力机制集成到改进的解码器结构中。最后,引入了一种新型的损失函数来指导模型的训练过程,并进一步改善了数据集中简单样本与复杂样本之间存在的不平衡现象。最终,通过五倍交叉验证来验证所提出模型的有效性,直肠肿瘤分割模型的Dice相关系数、敏感性和特异性值分别为0.941、0.922和0.953。（2）基于双路径的直肠肿瘤分期研究在直肠肿瘤分期阶段,肿瘤周围的隐藏特征对直肠癌的诊断也很重要。在本文中,构建了一种多尺度直肠图像块特征融合的双路径卷积神经网络分期模型。首先,将不同尺度的直肠图像块输入到对应的卷积神经网络分支进行特征提取,并采用迁移学习和分组卷积策略来提高模型特征表达的能力。然后,利用基于注意力机制的特征融合策略对不同分支提取到的特征进行融合。最后,通过分类器将融合后的特征进行映射,以实现直肠肿瘤T2、T3时期的分类。最终,通过五倍交叉验证来评估所提出模型的性能,得出直肠肿瘤分期的准确率、召回率、和AUC值分别为0.938、0.914和0.964。