结直肠癌是常见的恶性肿瘤,严重威胁人们的生命健康,而结直肠中的息肉被看作是结直肠癌的前兆,通过结肠镜检查可以有效的诊断出息肉或结直肠癌,但是人工的方式有一定的漏诊率。计算机技术的快速发展,使得开发出计算机辅助诊断（Computer Aided Diagnosis,CAD）工具成为可能,快速准确的息肉分割方法对诊断结直肠癌有着重要的意义。由于息肉本身的形状、颜色、大小变化很大,息肉分割一直是一项具有挑战性的任务。为了提高息肉分割的准确性,本文通过结合Transformer提出了两种息肉分割方法。本文的主要工作如下:（1）针对卷积神经网络全局建模能力有限、下采样操作会造成局部细节的丢失而导致小息肉和息肉边界分割不准确的问题,本文提出了一种基于Transformer编码器特征增强的息肉分割网络。该方法借助Transformer极强的全局建模能力和块合拼（Patch Merging）时也不会丢失局部细节的优势,在卷积神经网络中引入了Transformer全局特征增强分支,以形成和骨干卷积神经网络的优势互补。特别的,为了更好的捕获特征的多尺度信息、探寻上下文关系,本文又提出了多尺度Transformer上下文提取模块,具体的操作是在特征图上设置不同大小窗口,在每个窗口范围内做Transformer操作。我们在5个公开的息肉数据上对提出的网络模型进行训练和测试,验证了提出的网络模型具有很好的学习能力和泛化能力,额外的消融实验验证了提出模块的有效性。（2）针对现有的息肉分割方法不能很好的分割出息肉边界和对于一些息肉产生误分割的问题,提出了基于局部注意力特征细化的息肉分割网络。首先,我们使用了Transformer作为网络的编码器,这样可以提取出更加强大和鲁棒的特征。进一步,为了更好的融合不同层级的特征,本文设计了新的解码器结构,同时为了更好的细化特征,关注重要的特征同时对无用的特征进行抑制,借助分区和分组的思想,提出了局部通道注意力和局部空间注意力模块。通过在现有的公开息肉数据上训练和测试,本文提出的基于局部注意力特征细化的息肉分割网络比第三章的工作有更好泛化能力,可以取得较现有方法更好的分割结果。