随着信息技术的快速发展,医疗领域的图像分割任务得到了广泛的关注与研究。医学图像分割能够预测出病灶或器官的位置,辅助医生进行疾病的诊断与分析,降低疾病的漏诊率和误诊率。然而,医学图像的标注成本非常高,通常情况下只有少量的标注数据,这导致了监督学习的方法在标注数据较少的医学图像分割任务上的分割精度较低。为了解决少量标注数据给医学图像分割任务带来的问题,本文将半监督学习应用到医学图像分割任务,具体的研究工作如下:（1）针对医学图像标注数据稀缺的问题,提出了一种基于多变换一致性正则化的半监督医学图像分割算法。基于一致性正则化的思想,引入复杂的空间变换、非空间变换和扰动。通过最小化多个变换分支的变换一致性损失来学习未标注数据的特征,通过最小化标签图与预测图之间的监督损失来学习标注数据的特征。变换一致性正则化将未标注数据特征引入到模型的训练中,在ISIC皮肤病数据集和Kvasir-SEG息肉数据集上取得了较好的分割效果。（2）为了提升模型对未标注数据的特征学习能力,提出了一种密集对比学习算法。通过引入含有卷积层的密集投影头,将目前对比学习研究工作中单一特征向量之间的全局对比学习改进为特征图之间的密集对比学习。正样本由同一图像的两个变换视图编码输出的特征图构成,负样本由不同图像的变换视图编码输出的特征图构成。特征图中每个特征向量代表了图像中局部像素的特征,实验结果表明密集对比学习可以从未标注数据中学习到更多像素级别的特征表示。（3）为了解决医学图像数据之间像素相似性较高的问题,在密集对比学习算法的基础上提出了一种基于图像块密集对比学习的半监督图像分割算法。该算法分为预训练阶段和微调阶段,在预训练阶段,将未标注数据分成多个图像块,构建了图像块对比学习和密集对比学习两个分支,通过最小化两个分支的损失加权和来训练编码网络。在微调阶段,分割网络加载预训练阶段生成的编码网络的权重参数,在标注数据上进行有监督的训练。在Montgomery数据集、JSRT数据集和ISIC皮肤病数据集上的实验结果表明,该算法能够有效学习未标注数据的像素特征,提升医学图像分割的精度。