图像分割是医学图像处理任务中一个重要的研究方向,医学图像的自动分割在人类疾病的早期诊断中起着重要的作用。在各种类型的医学图像中,超声图像对比度低、边缘模糊且含有大量的噪声,采用传统的图像分割方法很难取得好的分割效果。虽然基于深度学习的图像分割模型能够通过特征提取来降低上述特点的影响,但主流的编解码模型结构复杂,参数量大,专注于提高分割精度,而忽视了模型的运行速度。为了应对上述问题,本文主要进行了以下研究:（1）针对超声图像分割,本文设计了轻量注意力编解码网络LAEDNet。不同于其他结构复杂、参数众多的编解码器网络,LAEDNet采用轻量的EfficientNet作为编码器,并且在解码器中使用创新的残差压缩激励模块LRSE。为了权衡分割精度和实现效率,以不同版本的EfficientNet为编码器设计了一系列模型,从轻到重分别为LAEDNet-S、LAEDNet-M和LAEDNet-L。在臂丛神经数据集（BP）、乳腺超声图像数据集（BUSI）和头围超声图像数据集（HCUS）上通过实验表明,与U-Net及其变体,如M-Net、U-Net++和Trans UNet相比,LAEDNet在分割精度和运行速度上均取得了更好的效果。（2）医学图像的分割精度对于辅助临床医生的诊疗极其重要,本文为了在保证网络实时性的基础上进一步提高LAEDNet的分割精度,重新设计了用于解码的高效解码模块CASLRSE。CAS-LRSE以提高网络解码器的特征表达能力为目的,级联LRSE模块,并在此基础上修改残差连接方式,实现跨模块传递信息,更有利于网络的学习。为了保证模型足够轻量,根据分割任务的困难程度设计了不同复杂度的网络,分别称为En-LAEDNet和En-LAEDNetTiny。在BP、BUSI和HCUS上通过实验验证了提出的方法的有效性,与LAEDNet-M相比,改进后的网络既保证了实时性又提高了分割精度。（3）为了提高En-LAEDNet解码端对编码端特征的选择能力,从而忽略含较多噪声的无用特征,本文设计了用于解码端的CAGM模块。该模块作用于解码器融合高、低级特征之前,利用高级特征含有丰富语义特征的优势来指导低级特征的选择,从而产生更具判别力的特征。在BP、BUSI和HCUS上进行实验,实验验证了先经过CAGM选择特征再通过CAS-LRSE融合特征这一解码机制的有效性,改进后的网络G-LAEDNet在保证实时分割的基础上提高了分割精度。