医学影像是医生临床诊断的主要手段。它可以辅助医生更直观地诊断病情,为疾病的治疗和预后提供重要的依据。医学影像分割主要是根据图像当中某些类似的特征将其划分成不同的几个区域,从而获得分割结果。当前医学影像的划分在可视化诊断,病灶的轮廓边缘的识别与定位和手术方案的实施具有非常巨大的应用前景。基于此,本论文在医学影像领域当中选取了结直肠息肉作为实验背景来进行研究。结直肠癌是一种恶性的消化道肿瘤,同时也是当前主要的癌症组成之一,大多数的结直肠癌是由腺瘤性息肉演变而成的,如果能够在早期进行干预治疗那么能够有效的预防结直肠癌的发生。通常最有效的筛查和诊断方式是结直肠内窥镜检查,但是检查的准确率极度依赖医生的专业性且诊断的效率低下,因此急需一种方法能够在结直肠内窥镜中快速且准确地定位息肉的位置。为此本文基于深度学习的方法展开研究,针对不同的需求提出了两种模型:一、FRCNet在保证相对精度的同时,参数量和GFLOPs分别仅有78万和3.36%。与当前训练的网络模型普遍近乎上亿的参数量相比,FRCNet极大地减少了计算量,若后续能够规模化的生产,极大地缩减了硬件方面的成本。二、AGCNet对硬件方面的需求相对较高,经过Kvasir-SEG数据集验证,它的Dice系数和准确度分别达到88.99%和91.01%,准确度超越了本文对照组所有先进的模型,同时它的FPS能保持在33,兼顾了临床诊断固有实时性的需求。对于未来的实际临床应用上可以针对具体情况做出取舍。以下是针对两种模型的具体概括:（1）提出了一种新颖且轻量化的上下文自适应网络（FRCNet:Feature Refining and Context-Guided Network for Efficient Polyp Segmentation）,FRCNet是以U-Net为基础架构开发出三个模块嵌入U-Net,能够胜任高效地息肉分割。为了缓解来自息肉图像背景噪声的干扰并且能够高效率地从背景当中辨识息肉,本文首先采用了一种增强式的上下文自校正模块（ECC:Enhanced Context Calibrated Module）,它能通过上下文校正的操作建模远距离的空间依赖从而实现提出更有判别力的特征。另外本文设计了一种渐进式上下文感知融合模块（PCF:Progressive Context-aware Fusion module）通过收集多范围的上下文信息来动态地捕获不同尺度的息肉。最后本文还设计了一种多尺度的金字塔聚合模块（MPA:multi-scale pyramid aggregation）,开发这种模块的意义在于学习更丰富的代表特征并融合用于精炼网络的分割结果。将以上三个模块整合构成了本文的FRCNet,同时在Kvasir-SEG和CVC-Clinic DB数据上面做了大量的实验证实了本文所提出网络模型的有效性,超越了当前的一些先进的网络模型。（2）提出了一种精准自适应全局上下文且具有实时性的网络（AGCNet:a Precise Adaptive Global Context Network for Real-time Colonoscopy）。首先为了适应息肉尺度变化大的问题,我们设计了一种更细粒度的多尺度语义融合模块（MSFM:Multi-scale Semantic Fusion Module）,它是基于多种滤波器去收集更多的容易忽视的细节特征来提升网络的表征能力,从而实现对尺度多变的息肉精准分割。若单纯地使用复杂的空间像素进行建模远距离的依赖不仅容易引入更多的背景噪声且增大了计算量。因此,本文设计了一种金字塔上下文聚合模块（CPAM:Context-aware Pyramid Aggregation Module）,其内部包括了一个双重注意力机制。CPAM能够引导不同区域的特征进行聚合从而利用丰富的语义信息增加了网络的自信度,随后再通过双重注意力机制进一步地强化了重要的特征信息,抑制非目标区域的特征信息。将上述两种方法无缝整合构成了我们所提出的AGCNet,同时也在Kvasir-SEG和CVC-Clinic DB数据集上进行验证,证实了我们模型的有效性。本文将注意力机制贯穿于我们提出的FRCNet和AGCNet上,同时也体现了注意力机制对于医学图像分割的重要性;本文的研究对于未来的临床诊断,辅助医疗有着重要意义。