随着医学影像设备关键技术的不断进步以及计算机科学技术的发展,医学图像分析技术在临床诊断和临床治疗中发挥越来越重要的作用。医学图像分割作为医学图像分析中关键一环,其结果好坏直接影响到后续处理的效果和整个系统的表现。然而,大部分传统算法对普通图像效果极佳但对医学图像效果一般,主要原因是医学图像中充满了大量的噪声,而且分割目标往往存在模糊边缘、低对比度、高变异解剖结构、不规则轮廓以及灰度不均匀等纹理特征的干扰因素。尽管水平集方法在最近二十年中取得了突破性的进展,但其属于一种半自动化算法且仍受困于上述挑战。最近几年,基于深度学习技术的卷积神经网络模型成功地应用到了医学图像分割领域,性能表现大幅度提升。但深度学习技术同样存在诸多问题,例如计算复杂度过高、对于训练集规模和标记水平过度依赖等问题。目前科研人员正尝试使用多种模型融合的方法解决医学图像分割算法各自存在的问题。这种方式可以使不同的模型优势互补,且大幅度提升分割结果精度。本文对基于多模型融合的医学图像分割关键方法进行研究,主要内容和创新性成果有以下几个方面:（1）针对传统水平集模型在处理不同肝脏肿瘤CT图像时发生严重的过分割和欠分割问题,提出了一种基于三维卷积神经网络的动态参数估计水平集模型三维分割算法。构建了一个三维卷积神经网络,能够预测当前演化轮廓相对于肿瘤边界位置概率。研究了水平集模型对不同初始化结果敏感的问题,利用位置模型将最接近肿瘤边界的候选轮廓作为最终的初始化结果。研究了基于三维卷积神经网络动态调节水平集模型能量泛函控制参数的方法,使水平模型对不同的肝脏肿瘤CT图像有很好的适应能力。研究了局部水平集模型窗口动态调节问题,辅助演化曲线在行进过程中实时调整兴趣区域大小,提升算法精度的同时不会对水平集模型造成额外的计算负担。在3DIRCADb公开数据集上对算法性能进行了测试,实验结果表明,本算法的分割精度高于传统水平集模型以及目前流行的肝脏肿瘤全自动三维分割方法,体现了本文提出的动态参数估计水平集模型三维分割算法极强的鲁棒性和泛化能力。（2）针对基于三维卷积神经网络模型的医学图像分割算法会产生过度的计算资源开销以及假阳性结果等问题,提出了一种基于多任务端到端的三维兴趣区域估计卷积神经网络分割模型。定义多任务概念.构建了具有对称的编码器-解码器结构以及密集残差连接卷积单元的三维卷积神经网络。研究一种编码器分支网络,能够对目标准确定位并有效估计兴趣区域范围。编码器采用了注意力激活机制,增强了显著性目标定位的准确度,同时一种过尺寸兴趣区域估计方法不会为网络增加额外的计算负担。研究一种解码器分支网络,结合与编码器多层级特征融合方式,在兴趣区域内实现高精度目标分割,大幅度降低假阳性结果发生水平。研究了一种混合损失函数,强化边缘结果在模型训练过程中的约束,很好地抑制由于模糊边缘引起的过分割或者欠分割现象。结合多分辨率模型设计方式,实现了全自动上颌窦三维分割方法。实验结果表明,由于在更有意义的兴趣区域内考虑高异质性上颌窦CT图像三维分割问题,新算法具有很好的精度和运行效率,推动了基于三维卷积神经网络分割技术在实际工作中的应用。（3）针对基于深度学习的医学图像分割方法严重依赖于像素级语义标记数据集规模等问题,提出了一种基于半监督与弱监督学习的卷积神经网络分割模型。首先,引入了一个目前流行的卷积神经网络分割模型,利用有限的像素级语义标记训练集使其达到一定的分割性能。研究了一种深度水平集分支网络,通过基础分割模型预测结果,建立目标显著性映射关系,为水平集模型自动生成合适的初始化结果。与传统水平集模型不同,本文将基础分割模型得到的概率结果加入到曲线演化迭代计算过程,实时更新模型的重要参数,提升算法对具有强噪声、模糊边缘、不均匀纹理等特征目标的适应能力。研究基于条件随机域模型的分支网络,同样在无监督条件下对输入图像完成分割任务。两个分支网络有效地将图像级语义数据集转化为像素级标记,从而使用额外的弱标记数据集再次训练并大幅度提升基础模型的语义分割能力。两个分支网络分别与基础模型组合,使用了不同的损失函数,实现了端到端的并行化训练过程。实验结果表明,本文提出的算法有效提升了训练集水平并增强了基础模型的分割性能。尤其对比目前流行的基于半监督和弱监督医学图像分割方法,获得了更好的实验结果,证明了设计模型的先进性。（4）针对卷积神经网络语义分割模型优化问题,提出了一种基于对抗生成网络的模型后端优化方法。研究了多层级特征差异比较判别器网络,并选择基础分割模型作为生成器。由于判别网络从多水平特征方面甄别生成数据和真实数据分布差异,在最小值-最大值对抗训练模式下生成器网络模型分割精度显著提升。另外,针对目标模糊边缘产生大量假阳性结果的问题,提出了一个基于窄带抑制的混合损失函数。该混合损失函数重点关注肿瘤边缘邻近区域极难预测像素。通过窄带计算以及损失值抑制设计,模型学习能力进一步提高。本文提出算法在皮肤病变分割数据集ISIC-2017中测试,统计分析结果表明模型后端优化方法以及窄带抑制混合损失函数各自显著提升了基础模型分割精度,具有很好的泛化能力和应用价值。综上所述,本文的主要工作和创新点使用了多模型融合方式解决了在医学图像分割领域中的突出问题,为进一步推动医学图像分割技术在临床中的应用提供了强有力的保障。