新型冠状肺炎（COVID-19）的大流行无疑是全世界目前面临的最大的挑战之一。聚合酶链反应（RT-PCR）技术是目前使用最广泛的一种核酸检测技术,但是往往具有假阴性率高的问题。使用基于深度学习的方法对胸部计算机断层扫描（CT）图像中的COVID-19感染区域进行分割并检测是对RT-PCR检测技术的一种重要补充手段,能够避免检测效率低下、假阴性率高等问题,释放紧张的医疗资源。深度学习中的卷积神经网络在肺部CT图像分割中表现的十分出色,尽管如此,这些模型仍然具有两个局限性:首先,卷积神经网络的感受野是有限的,虽然通过增加网络深度和改进卷积策略的方法能够改善这一问题,但是在全局信息提取方面仍然存在不足。其次,卷积神经网络使用级联的关系提取到的特征信息是局部和单一的,不具备充分的上下文信息。Transformer是一种从自然语言处理领域兴起的深度学习模型,不但在文本信息处理上表现出色,在视觉图像的处理方面也表现出了较好的潜力。与卷积神经网络相比,Transformer始终能够注意到输入图像的全局特征,更加注重全局信息。此外,由于自注意力（Self-attention）的使用,Transformer不仅能够关注到每个像素或者区域自身的特征信息,同时还注重自身与其他像素或区域间的依赖关系,能够提取到相对更完整的上下文信息。Transformer在全局信息提取及长距离信息传递方面表现出色,但与卷积神经网络相比,在局部信息提取方面却略显不足。针对卷积神经网络和Transformer自身的特点和局限,本文首先探讨了二者合理的组合方式并设计模型评估了Transformer对U-Net的提升效果,然后在此基础上设计了一个新颖的基于U-Net和Transformer的COVID-19感染区域分割模型。在此过程中,本研究还对二者的最佳结合方式进行了较深入的探讨。本文的主要研究内容如下:（1）为了探索U-Net和Transformer最佳的结合方式,本研究针对Transformer在U-Net中可能出现的位置设计了13种可能的异构网络。这些异构网络分别在不同的6个医学图像数据集上进行了实验,并对其分割结果进行了评估。经过对结果的分析和讨论可以发现,当Transformer处于U-Net的跳过连接部分时结果最优,处于瓶颈部分的结果次之,处于编码器或解码器部分时结果最差。而在跳过连接的四个阶段中,当Transformer处于第一阶段时结果优于其他阶段。（2）根据U-Net和Transformer最佳组合方式,本研究设计了一种U-Net和Transformer相结合的医学图像分割模型Trans IS-UNet（Transformer in the Skipconnections of U-Net）,用于验证以及评估Transformer对U-Net的提升效果。Trans IS-UNet是一种双分支分割网络,包括U-Net分支和Transformer分支。UNet分支用于提取不同阶段、不同分辨率的特征图像中的局部和细节信息,Transformer分支用于提取图像的全局信息以及更加丰富的上下文信息。将Transformer的信息在U-Net的解码器端进行融合后将能丰富和补足U-Net中所欠缺的部分特征。Trans IS-UNet在包括COVID-19 CT分割数据集在内的6个不同的医学图像数据集上进行了评估,评估结果表明Trans IS-UNet的分割结果相对于U-Net具有明显的提升,且与其它流行的方法相比也处于较高的水平。此外,本研究还设置实验证明了Transformer结构的有效性,排除了Trans IS-UNet模型的提升效果是增加参数导致的。（3）本研究在Trans IS-UNet模型的基础上设计和评估一种U-Net和Transformer相结合的COVID-19分割模型e Swin-UNet（enhanced Swin-UNet）,充分利用U-Net与Transformer的优点来提升分割模型的性能。e Swin-UNet的重点是使用多尺度信息融合的方式对U-Net分支和Transformer分支中的特征信息进行更加充分的融合,并使用深监督的方式使两个分支进行协同训练。在COVID-19 CT分割数据集上得到了DICE和MIo U分别为0.7891和0.6516的结果,比目前绝大多数的模型都具有优势。与Trans IS-UNet相比e Swin-UNet不但大大削减了参数,加快了训练和推理速度,同时大幅提升了分割精度。