基于深度学习的医学图像分割方法已经成为了医学图像处理领域的强大工具。由于医学图像的特殊性质，基于深度学习的图像分割算法面临样本不平衡、边缘模糊、假阳性、假阴性等问题，针对这些问题，研究人员大多对网络结构进行改进，而很少从非结构化方面做出改进。损失函数是基于深度学习的分割方法中重要的组成部分，对损失函数的改进可以从根源上提高网络的分割效果，并且损失函数与网络结构无关，可以即插即用地运用在各种网络模型和分割任务中。本文从医学图像分割任务中的困难出发，首先介绍了解决样本不平衡、边缘模糊、假阳性、假阴性问题的损失函数及改进策略；然后对目前损失函数改进过程中所遇到的困难进行分析；最后对未来的研究方向进行了展望。本文将为损失函数的合理选择、改进或创新提供参考，并为损失函数的后续研究指引方向。