目前肝脏恶性肿瘤依然是世界上最普遍的癌症之一,它也是人类死亡的主要原因,对人类健康构成了巨大的威胁。为了有效降低癌症死亡率,患者依然需要提前对身体进行全面的检查以及尽早接受治疗。然而由于肝肿瘤与其周围软组织之间的对比度较低,分界不明显,而且对于不同的病人,肝肿瘤的形状,体积,数量和位置等差异明显,同时多种扫描方案导致CT图像存在噪声干扰等问题。由于肝肿瘤分割难度较大,仅仅依赖医生的肉眼检测很难得到精准的分割结果。本文提出了基于V-Net网络模型并以三维CT图像作为模型的输入实现肝肿瘤精准分割的方法,为了提高分割精度并对原始模型提出了一些改进。首先,由于肝肿瘤的CT图像中除了感兴趣的肿瘤区域以外,还有一些软组织等背景信息即不需要的无用区域,而原始V-Net网络不能很好地识别肿瘤信息,相比于小的病灶来说,那些大的病灶更容易被定位和发现,提出将注意力机制模块集成到原始网络中使得模型（AGV-Net）可以更多地关注感兴趣以及较小的肿瘤区域。然后,由于CT图像中存在特别小的肝肿瘤即在整个CT图像中占比较小,原始V-Net模型可能会存在漏检等问题,而模型自带的Dice损失函数重点关注的是图像的全局信息,同时会对反向传播造成不利的影响,针对这个问题,在引入注意力机制后的模型（AGV-Net）的基础上提出了组合损失函数,实验表明了提出的改进对肝肿瘤分割有一定的效果。最后,针对网络层数的增加会导致模型收敛速度过慢的问题,提出在AGV-Net网络中分别加入批归一化层（BN）和组归一化层（GN）对输入数据进行规范化处理来提高输出图像的分割精度与模型的收敛速度。接着,由于输入的数据是三维立体的,会出现网络参数过大导致的网络模型运算能力不佳等问题,对此提出使用深度可分离卷积代替普通卷积,来提高网络模型的运算速度。经过实验证明,在网络中加入规范层后模型的收敛速度加快,而且加入组归一化层比加入批归一化层网络的收敛速度更快,另外将深度可分离卷积代替普通卷积后,网络的参数量有了一定幅度地减少,同时模型的运算速度也提高了很多。根据网络模型的分割指标表可知,提出的DN-AGV-Net网络比以往的对比模型在各个指标方面有了较大的提升,可以很好的对肝脏肿瘤进行分割。