结肠癌作为三大恶性肿瘤之一,具有极高的致死率。大多数结肠癌由腺瘤性息肉演变而来,通过对结肠息肉进行分割以观察息肉发展情况,可显著降低结肠癌的发病率。结肠息肉种类多、形状和结构复杂多样,采用传统的息肉图像分割方法,费时费力且分割精度不高,因此利用深度学习实现端到端自动分割息肉图像显得尤为重要。在深度学习领域,出现了多种用于息肉图像分割的网络模型。HarDNet-MSEG作为较先进的分割模型,具有分割精度高、推理速度快的优点。然而,HarDNet-MSEG在多个息肉数据集中表现出对特征信息提取能力不强和对复杂样本分割不理想的问题,因此本文针对HarDNet-MSEG分割模型存在的问题,提出了两种改进的息肉图像分割模型,具体的研究内容如下:（1）基于并行注意力的HarDNet-MSEG息肉图像分割模型。设计了一个并行注意力模块以同时关注特征图的通道信息和空间信息,使模型在卷积过程中保留特征图更多有用信息,同时抑制一些无用信息;利用批核范数最大化（Batch Nuclear-norm Maximization,BNM）能提高模型预测的多样性和判别性的特点,将其引入到损失函数中以增强分割模型对数据集中复杂样本的学习能力。在Kavsir-SEG数据集上的实验结果表明,改进的模型提升了对息肉图像的分割精度,同时说明设计的并行注意力模块是有效的且具有很好的灵活性。（2）基于多重注意力的HarDNet-MSEG息肉图像分割模型。在特征提取过程中,为充分挖掘并利用网络中的浅层特征,在HarDNet-MSEG网络浅层引入平衡注意力模块,利用生成的预测图,建立背景,前景和边界注意力以捕获三个区域中的特征信息;设计了一个多尺度注意力模块,将不同尺度的特征图通过注意力建立关系,增强模型对特征信息的提取能力;利用Schatten-p函数能有效解决矩阵的低秩问题的特点,将Schatten-p函数引入到损失函数中,增强模型对数据集中复杂样本的判别性。在CVC-300、CVC-Colon DB和ETIS等数据集上的实验结果表明,改进的模型能够提升对息肉图像的分割精度,同时具有较好的泛化能力。本文针对HarDNet-MSEG模型存在的问题,在模块与损失函数两个方面进行改进,由此提出了两种改进的息肉图像分割模型,即基于并行注意力的HarDNet-MSEG息肉图像分割模型和基于多重注意力的HarDNet-MSEG息肉图像分割模型。实验结果表明,在不同的评价指标下,两种改进模型的分割性能要优于对比模型,对临床医学具有一定的参考意义。