随着社会对医疗健康越来越重视以及数字成像技术的发展,数字医学成像已经成为医疗专家诊疗患者的重要参考信息,在对患者病情进行定性、定量分析过程中,提取医学图像中的病理特征是至关重要的。由于图像分割技术可以从像素层面观察并处理图像特征,进而能更好地掌握图像的形状、纹理等特征信息,使得医学图像分割成为辅助医生诊疗的重要手段。但是,医学图像中往往存在实例对象繁多,目标对象之间边界模糊、对比度低,以及目标对象周边具有大量相似的噪声结构等问题,这些问题使得对医学图像实现精准、高效的分割具有很大的困难和挑战。本文围绕医学图像分割所面临的问题和挑战,开展基于深度学习和多层次特征融合的医学图像分割算法研究。研究内容包括基于对称式网络和深度瓶颈结构的分割算法,基于多层次特征融合、分组卷积和特征通道的分割算法,以及基于全连接条件随机场的分割优化算法。具体的主要内容和贡献如下:（1）针对传统医学图像分割方法的泛化能力差、准确率低等问题,提出基于对称式全卷积残差网络的分割算法。该算法在U-Net神经网络的基础上,提出三种新颖的深度瓶颈结构来替代U-Net网络中的每个卷积层,这不仅可以增加网络中的层数,加强特征的提取,而且能够减少网络参数量,加快网络的训练。同时利用跳跃连接结构促进多层次特征进行融合,以增强特征的重用和传播。并通过实验证实该算法对CBCT牙齿图像的精准分割。（2）针对医学图像中由于相似噪声结构繁多,对比度低而导致的难以精确分割等问题,提出基于分组卷积和特征通道的多层次特征融合算法。该算法利用两种不同的多层次特征融合方式,分别为特征像素逐点相加和特征通道拼接。通过充分结合图像各个层次的上下文特征信息,并使用分组卷积结合不同子空间的特征以及利用各个特征通道的不同强度对特征信息进行标定筛选,最大化地提升对目标对象特征信息的提取能力。并通过实验证实该算法对CBCT牙齿图像和腺体细胞图像更加精准、高效的分割。（3）针对传统医学图像分割算法的分割结果中目标对象轮廓模糊,边界不清晰等问题,提出基于全连接条件随机场的分割优化算法。将全连接条件随机场应用于神经网络生成的分割概率图上,利用其对图像局部特征的结构化预测能力,达到精准定位目标对象轮廓,细化边界的效果。并通过实验证明其实用价值。