医学图像分割在计算机辅助医疗诊断中有着至关重要的意义,同时在器官定位、三维重建和手术指导规划任务中扮演着关键角色。肝脏是人体中不可替代的重要器官,维持着人体生命活动和新陈代谢,而肝脏肿瘤目前是一种高死亡率的恶性肿瘤,因此研究一种准确的肝脏及肝脏肿瘤的自动分割算法对临床诊断和手术决策有着深远的意义。腹部多器官分割不仅可以提升分割算法的效率,并且可以利用腹部器官之间空间位置关系的相对稳定性提升分割算法的鲁棒性,因此,准确的腹部多器官自动分割能够更高效的辅助医生诊断,具有很高的研究价值。CT图像检查效率高、性价比高和分辨率高等优势使其被广泛应用。本文以腹部CT图像为研究对象,对肝脏及肝脏肿瘤分割和腹部多器官分割算法展开研究,主要研究内容如下:(1)针对肝脏截面在轴位图像中占比较低产生的样本不均衡问题和非连通区域欠分割等问题,提出了一种基于密集连接U-Net模型的肝脏及肝脏肿瘤分割方法。该算法在U-Net模型上引入了密集连接结构,将底层边缘特征与高层语义特征相结合,缓解了特征传递过程中的信息损失,能够更好的提取目标器官的语义特征。上采样部分利用阈值选择机制,使还原分辨率后的目标器官边界更加平滑。通过设计新的损失函数解决了样本不均衡问题。实验验证了DCU-Net模型的分割结果具有更高的精确性和鲁棒性。(2)针对多器官分割中不同器官之间空间位置差异较大和多器官在训练过程中存在竞争关系等问题,提出了一种基于多分支和特征重标定结构的多器官分割网络模型(MFRNet)。设计的多分支结构中多个通道的卷积核能够多角度的提取多个器官的所有特征,提高网络的特征多样性。通过特征重标定结构和注意力机制,分别从空间和通道两方面对特征映射进行筛选,获取对分割目标有帮助的特征图。实验结果表明,MFRNet能够提升多器官分割的准确性。(3)设计并开发了腹部CT图像分割系统,实现了腹部CT图像的导入、预处理、分割和优化等功能,将肝脏及肝脏肿瘤的分割模型和多器官的分割模型与系统相结合,缓解了医生手动分割的工作强度,对智能医疗的发展有着重要的意义。