随着深度学习的高速发展,越来越多的跨领域学科正在相互结合以便更有效的解决存在的问题,利用深度学习方法的医学影像技术在医学诊断中有着不可或缺的作用。其中医学图像分割作为医学影像技术的一个重要研究方向,对病理分析、临床诊断和后期手术方案的制订起着重要意义。其中人体腹部CT影像是腹部器官疾病的诊断依据,而肝脏作为腹部最大的器官,对人类的生命健康起了至关重要的作用,肝脏功能的异常与很多疾病有着密切的联系,例如:肝癌、肝良性肿瘤以及一些其他的肝感染性疾病等。因此,准确快速的进行肝脏自动分割能够帮助医生更好理解病情以进一步的进行诊断和给出治疗方案,这对于临床诊断有着很高的研究价值。CT（Computed Tomography）相比于MRI（Magnetic Resonance Imaging）图像有较高的密度分辨率以及高信噪比等优点而被广泛应用于临床检查中。与已往的人工分割、半自动分割的方法相比,本文提出的基于深度学习的方法在CT图像上相对于其它方法不仅大大缩减了分割时间,而且在分割性能和可复现性在一定程度也优于它们。为实现腹部图像中肝脏的精确分割,主要通过一下几个方面进行研究:（1）提出了基于注意力模块的网络模型进行肝脏分割。首先对3维CT图像预处理后得到2维图像,然后送入网络模型中;其中所提模型是基于UNet上进行的改进,其中,注意力机制用来增强模型对目标区域的权重比例,同时抑制周围相似组织器官的干扰;此外,为了降低多次卷积和下采样造成的特征信息的损失,在已有的基础上结合了空洞空间卷积池化金字塔模块,让模型能够在获取多尺度信息的同时不增加参数,充分挖掘不同尺度下的图像特征,更好的获取CT图像中浅层特征,进一步提升网络分割性能。（2）提出了基于特征融合的肝脏分割算法。考虑到2D网络只利用到了CT图像的切片信息,没有结合CT图像中的空间信息,为了充分挖掘切片间的关联性,提出了以3D UNet网络为基础模型,在跳跃连接上进行空间信息和通道信息的结合。其中通道注意力用于学习通道间的关联性,空间注意力用于捕获不同尺度的空间位置信息。其次,考虑到了CT图像中肝脏大小及形状变化,加入了深度监督用于学习不同层次下的特征表示,进而增强网络的学习能力。（3）提出了基于卷积注意力模块的肝脏分割算法。虽然2D网络训练速度快但却没有结合CT图像中的空间信息;3D网络在这个基础上利用了CT图像的3维体素信息,解决了2D网络模型没有学习切片间的关联性的问题,但是存在训练耗时长的问题。针对上述存在的情况,本章提出了基于卷积注意力模块的2.5D网络模型进行肝脏的分割,目的是平衡训练时间的同时结合CT图像中的空间信息,使得模型能够更加高效准确的进行分割。