超像素方法是图像分割的常用方法之一,基于梯度和图像密度的超像素分割方法可以将图像进行更为简练的筛选和分层表示,以此降低后期工作处理的图像单元个数。但其难以做到可微,因此难以将超像素方法作为一个模块插入到原始的卷积神经网络中进行训练和使用。基于超像素采样的方法和基于全卷积的超像素分割方法是将标准的卷积操作在规则的网格上定义,尝试将超像素算法纳入深度神经网络。但当这种方法应用于超像素时,效率就会降低。同时,作为提高深度学习性能的模块,注意力机制和残差机制正在被广泛使用。基于通道的注意力模块可以更好的得到不同的特征权重,基于空间的注意力模块可以对三维图像进行特征的进一步提取,基于通道与空间相结合的双重注意力模块可以对三维图像的多维特征进行更好的特征权重表示。基于广义的两层残差连接可以显著地提高深度神经网络的性能。通过对残差结构在复杂度和深度上的优化,可以有效的提升其获取信息的能力。基于覆盖数的残差结构,可以得到基于边际的多类泛化边界,保证其泛化是直接的。本文使用一种将超像素分割思想同可训练的卷积神经网络搭配使用的方法,将超像素机制插入到后续的卷积神经网络中,提高了自然图像和胰腺图像的分割性能。本文所做的工作有:（1）本文提出了一种基于挤压和激发（SE）的卷积神经网络进行超像素分割,该模型解决了超像素分割过程中因特征图的不同通道而造成的损失问题。带有SE模块的卷积神经网络可以准确地分割图像。本方法选取标准数据集BSDS500以及NYUv2进行相关实验,BSDS500包含200张训练图、100张验证图和200张测试图。NYUv2是一个RGB-D数据集,包含1449张图像和物体实例标签。实验表明,模型在两个不同的数据集上均得到优越的平均ASA、BR-BP、CO。通过与目前的超像素分割方法进行比较,展现了所提方法的高分割精度和速度。（2）本文通过对SENet架构的进一步改进,引入残差机制,得到SE-Res Superpixel网络,用以对图像进行分割。在每次卷积过程中加入残差机制,利用快捷连接显著降低了训练难度,在训练和泛化误差方面都有很大的提高。本方法选取NIH-CT-82数据集进行相关实验,该数据集向公众开放,包含82张腹部对比度增强的CT扫描图像。通过实验,本方法得到优越的Dice、Acc、Precision、Recall、F1 score。另外,对改进后的SE-Res Superpixel网络进行自然图像的分割实验,用以验证加入残差机制后的网络对自然图像分割的提升效果。数据集仍然选用BSDS500和NYUv2两个标准数据集。两个数据集的平均ASA、BR-BP、CO可以得到一定的提高,展现了所提方法的高分割精度和速度。