医学图像分割是计算机辅助诊断重要的一环,能帮助医生定位目标,实现定量的术前评估。为了全面了解病人的状况,医生往往使用多种成像技术对病人进行检查,进而产生多种模态的医学数据。近年来,针对多模态多输入的深度神经网络在医学图像分割领域取得重大的突破。但是多模态数据收集费时费力,临床中更多的是缺少一个或多个模态的情况。针对单模态设计特定网络的方案,加大了医生和研究者选择最佳模型的负担。为了摆脱多模态输入的约束,让医生和研究者把更多精力投入到疾病诊断本身而不是选择模型,本研究聚焦统一多模态分割问题,即训练一个在不同模态数据都通用的分割模型。统一多模态分割能联合多个不同模态的数据集,缓解数据稀缺问题。进一步,多模态联合训练有利于充分挖掘不同模态之间的共性,提升模型在各个模态的表现。结合目前基于生成对抗学习的医学图像模态翻译,本文提出了结合模态翻译和图像分割的多任务统一多模态分割框架,其主要创新包括:（1）提出了结合模态翻译的统一多模态分割模型UTMS。考虑到分割目标在模态翻译前后形状和大小应保持一致,我们把分割任务整合到多模态图像翻译任务。一方面模态翻译任务丰富了特征的信息量,并且为分割任务提供了隐式的数据增强。另一方面分割任务为翻译任务提供了目标的轮廓信息。多个实验证实了UTMS模型的有效性。（2）提出了结合翻译一致性的半监督统一多模态模型sUTMS。因医疗资源紧缺,标注过程枯燥,临床实践中更多的是无标签数据。如何通过少量有标签数据挖掘无标签数据的价值,具有十分重要的现实意义。基于模态翻译前后分割结果应该保持一致的假设,我们把源模态数据的分割结果当作伪标签,强制模态翻译后的分割结果与翻译前一致。实验证实了基于翻译一致性的半监督损失函数显著提升了原模型的性能。