肝癌的治疗十分棘手。在CT图像中精准地标记肝脏病变区域是肝癌的治疗前提,这一过程通常由经验丰富的专家完成。为了减轻医生的负担,学者们认为可以考虑构建基于深度学习的肝肿瘤检测算法来辅助医生定位病灶区域。本文针对现有算法存在的特征提取能力不足、学习偏差等问题,在前人的基础上,作了如下研究:1)本文以空间、通道注意力机制为基础,对通道注意力机制及卷积块注意块（Convolutional Block Attention Module,CBAM）进行改进,并提出了一种混合注意力机制（Hybrid Attention Mechanism,HAM）。HAM缓解了CBAM由于串行方式导致的部分通道特征信息缺失的问题。与CBAM相比,HAM保留了更多的空间、通道特征信息,更好地实现了信息的协同互补。2)为纠正学习偏差及增加模型的特征提取能力,本文在U-Net的基础上提出了一种分割模型——HA-Net（Hybrid Attention Net）。HA-Net引入焦点损失函数以解决难易样本比例失衡导致的学习误差的问题,结合HAM增强了模型的特征提取能力。与经典U-Net相比,HA-Net模型在肝脏及肝肿瘤分割任务上性能分别提升了约1%、5%,优于U-Net。3)为降低分割结果的假阳性及优化分割结果的边缘纹理,以HA-Net模型为基础网络,结合条件随机场（Conditional random field,CRF）算法并采用级联结构提出了一种肝肿瘤分割架构——CHA-Net（Cascade Hybrid Attention Net）。分割架构由两个层次结构相同的HA-Net组成,HA-Net1、HA-Net2分别用于提取感兴趣区域及肝肿瘤的检测分割。级联网络结构有助于降低分割结果的假阳性,CRF算法用于解决分割结果边缘模糊的问题。最终,模型的分割性能在原有基础上提升了约4%。在LiTS2017、3Dircadb数据集上进行测试,评估模型性能表现。最终,肝肿瘤分割结果的骰子相似系数分别为70.8%和66.8%。研究表明,本文提出的方法能有效分离肝脏区域和肝脏肿瘤,且分割结果基本满足临床病理分析的需要,具有一定参考价值。本文共有图31幅,表7个,参考文献59篇。