随着图像处理技术的发展,医学图像分割领域逐渐走向成熟。近年来,卷积神经网络的出现,涌出大量基于深度学习的医学图像分割方法,相比于传统的分割技术,基于深度学习的方法可以取得更好的分割效果。实现计算机辅助医生勾画器官已不再遥不可及。但带标注信息的医学数据稀缺,为器官分割网络模型的训练带来了一定的限制。为解决数据不足的问题,研究者将目光集中在数据增强、调整网络架构、设计网络模块等方面,较少利用同一解剖结构的多模态数据。原因是现有的基于多模态融合的分割方法大多需要配对数据,尽管这对分割肿瘤等病灶区域具有很好的表现,然而多模态配对数据获取有一定的限制,更需患者的配合,因此配对数据同样稀缺。而相对容易获取的非配对数据,这类方法难以应用。此外,由于部分器官信号强度相近,导致边缘不易分割,易出现误分类问题。现有一种方法是采取两阶段网络,即先定位,再分割。但这种两阶段网络会占用大量的硬件资源,并不适合多模态融合网络。基于以上的问题分析,本文提出了3D多模态特征融合分割网络和单阶段的二分类与多分类融合网络,并主要从以下两个方面进行工作:第一,为了充分利用多模态的信息以解决单模态数据不足的问题,提出了面向非配对多模态数据的3D多模态特征融合分割网络（MMFNet）,并对具体的融合阶段进行了分析与实验。此外,为了强化模态特有的特征,提出了模态注意力机制,使不同模态的图像在融合时能够学到两个模态的特有信息。第二,为了提高边缘分割效果,解决局部区域误分类问题,提出了二分类与多分类融合模块（TMFB）,通过简单的二分类任务指引多分类分割,以提高模型分割效果。并将该模块分别应用到单模态分割网络和多模态融合分割网络中。实验结果表明,在MMWHS数据集上,提出的MMFNet相比于基准模型有很好的表现,其中CT的平均Dice系数得到5%的提升,MRI得到3%的提升。加入TMFB模块的MMFNet相比于加入模块前,在CT上平均Dice系数提升了2%,而MRI无明显变化,但两个模态的分割边缘得到明显的优化。