医学图像分割是医学图像处理中最为复杂和关键的技术,具有重要的临床实用价值和研究意义。近年来随着深度学习技术的飞速发展,以卷积神经网络为主流的图像分割方式,先后提出全卷积神经网络（FCN）、U-Net等网络模型。U-Net网络是一个性能良好的卷积神经网络,但对医学图像进行特征提取时,由于不断地下采样和上采样,容易出现图像细节特征消失的问题。针对此问题,本文提出一种改进的U-Net网络的图像分割算法,使用多尺度和注意力机制代替原网络中的卷积块和跳跃连接,以此来提高图像分割精度。此外,考虑到医学图像在成像或者采集过程中会受到环境噪声的污染,本文提出了一种用于医学图像预处理的图像去噪方法。本文对如下内容进行了研究:（1）针对医学图像信噪比低、边缘图像细节丢失问题,本文提出了一种基于残差密集块的卷积神经网络（DRCNN）图像去噪算法。该模型通过引入多级残差网络和密集连接,并对整体网络使用Leaky Re LU激活函数,去除图像中的噪声,同时更好保留图像的有效信息,有效避免特征丢失。本文提出算法和深度卷积神经网络残差学习（Dn CNN）模型对比,DRCNN算法在医学图像Lung测试集上峰值信噪比平均提升了约3.7d B,结构相似性平均提升了约0.0175。实验表明DRCNN算法在医学图像数据集上去噪效果表现更好。（2）针对U-Net丢失部分浅层图像空间特征问题,本文提出了一种基于多尺度特征注意力机制编码解码器的医学图像分割模型IRS-Net。在U-Net网络模型种引入多尺度策略和注意力机制,设计了高效的多尺度特征提取块替代编码器和解码器,多尺度特征提取块将图像中的高层次语义信息和低层次的语义信息相融合,丰富了上下文信息。编码器和解码器之间的跳跃连接部分使用注意力机制模块代替,提取更多图像的空间的特征信息。实验结果显示,IRS-Net算法可以对医学图像中的器官进行精准的分割,该算法的F1分数、Accuracy、Specificity、Precision、ROC和AUC这七个指标均优于FCN、U-Net、SA-UNet和DRNet图像分割模型。（3）设计医学图像分割辅助诊断系统。基于上述医学图像去噪和图像分割模型的研究成果,本文设计实现了医学图像分割辅助诊断系统,系统主要包括医学图像去噪、医学图像分割等2个主要模块。通过构建辅助诊断系统平台,减少误诊和漏诊,为医生的诊断提供辅助工作。