肝癌是常见疾病之一,从计算机断层扫描（Computed Tomography,CT）中提取的定量生物标志物可以为肝细胞癌诊断创造一个强有力的临床决策工具。目前主要通过临床医生进行手动分割肿瘤,通常需要花费大量的时间和资源,因此通过计算机辅助系统提取肝脏及肿瘤区域是十分必要的,针对上述问题,本文开展了基于U-Net网络的肝脏肿瘤分割方法研究,具体研究工作如下:（1）针对肝脏CT图像分割,本文提出了基于多尺度注意力网络的肝脏分割算法。以2D U-Net网络作为基础网络,首先为了学习图像更多的信息和防止出现过拟合,将U-Net编码器中传统的卷积块替换为残差块。其次,在解码器中引入挤压和注意模块,结合空间和通道两个方面自适应学习图像特征,提高肝脏分割精度。最后,为了解决卷积和下采样带来的特征信息丢失问题,利用多尺度空洞卷积模块替代过渡层和输出层,通过不同的接收域获取多尺度图像信息,从而进一步提升分割精度。（2）针对肿瘤CT图像分割,本文提出了基于改进3D U-Net网络的肝脏肿瘤分割算法。3D网络解决了2D网络没有学习到空间信息的问题,该网络将U-Net中的卷积结构替换成密集连接结构,同时引入注意力机制抑制无关区域,提高了模型的稳定性和精度。针对3D卷积带来计算大的问题,本文在编码层中将传统卷积替换深度可分卷积,深度可分卷积在一定程度降低了GPU对内存的需求和计算成本。（3）为了验证本文提出的肝脏肿瘤分割模型的性能,与合作医院建设肝脏肿瘤数据集,用于测试肿瘤分割效果,来验证提出的模型的泛化能力和稳健性,进一步分析本文方法对于肝脏肿瘤分割的有效性以及临床研究价值。实验结果表明,本文提出的两阶段分割模型,第一个网络提取肝脏的位置,第二个网络使用第一个网络的结果来进一步分割肿瘤,改进后的模型能够更加高效准确的完成肿瘤分割。