近年来深度学习方法在医学图像分割领域取得了显著成效。然而,深度学习分割模型的性能高度依赖于训练样本的标签质量。医学图像的像素级标注依赖于专家的经验,十分耗时且容易出错,导致训练样本不可避免存在大量标签噪声,严重影响分割模型的性能。如何消除标签噪声对分割任务的干扰仍面临挑战,是目前的研究热点方向。医学图像分割场景中的标签噪声主要包含两类:1)由标注者的疲劳或粗心导致的随机标签噪声;2)由于目标结构复杂、对比度低所引起的边界不确定性噪声。然而,现有的标签噪声解决方案往往只针对单一类别噪声设计,且依赖于特定的模型结构与训练流程,难以通过直接组合的方式来有效处理多种类型的标签噪声。针对该问题,本文提出了一种基于不确定度感知的“分割-标签矫正”两阶段迭代优化框架,即第一阶段利用当前标签训练分割模型,第二阶段基于学习到的分割网络对噪声标签进行矫正,两阶段迭代优化直至收敛。该框架包含两个核心创新:1)自适应标签矫正算法和2)新型噪声鲁棒损失函数。自适应标签矫正模块中通过蒙特卡洛失活方法估计当前分割模型的不确定度,进而区分上述两类标签噪声。针对随机噪声,基于分割模型学习到的显著底层特征对标签进行修正。针对边界不确定性噪声,结合模型学习的上下文信息,对边界区域标签进行软化。区别于现有的噪声鲁棒损失函数在抑制噪声样本对模型训练影响的同时,限制模型对难样本的学习,本论文提出的新型噪声鲁棒损失函数在不确定度的指导下,通过有效滤除来自简单训练样本的梯度,进而消除简单样本中噪声标签的干扰,同时又促使模型更加关注困难样本,提升模型在难样本上的分割性能。本文在两个公共数据集（UESTC-COVID-19和PROMISE12 Challenge）上的大量实验证明,本文提出的“分割-标签矫正”迭代优化框架可以有效缓解标签噪声的影响,相较于目前先进的处理噪声标签的分割方法具有更优越的性能。