肝癌的致死率在癌症中位居前列,严重威胁着人体健康。在临床应用中,CT是医生进行肝癌诊断的常用方式之一,从CT影像中对肝脏和肿瘤区域的精准分割,对疾病的诊断和预后治疗具有重要的研究价值。传统分割算法多依赖于先验知识,不利于临床应用中的自动化扩展。近年来,深度卷积神经网络（Deep Convolutional NeuralNetwork,DCNN）被广泛应用在肝肿瘤分割任务上,通过局部感知和参数共享的特性,让模型能够从大量样本中有效学习到目标特征。由于肝脏和肿瘤区域在CT影像中存在边缘模糊、对比度低等问题,目前CT影像肝肿瘤分割任务仍面临挑战。本文针对已有工作存在的不足,研究了两种新的改进方法,并进行了应用系统的开发。具体地,本文工作主要包含如下三个方面:1)致力于DCNN在分割精度方面的提升,提出了条纹池化及注意力特征融合网络（Strip Pooling-Attention and Fusion Block,SP-AFBNet）。该模型基于U-Net改进,将条纹池化模块代替编码区的常规卷积,通过堆叠扁平状卷积的设计方式扩大网络的局部感受野。在SP-AFBNet的跳转连接层,加入多尺度特征融合和通道注意力机制,缓解不同尺度间特征信息的不均衡问题和加强特征通道间的相关性。最终结果表明,与其它先进算法相比,本文方法在CT图像肝脏和肿瘤分割任务中取得更好的度量结果。2)针对肝肿瘤分割模型计算复杂度高、推断延迟高等问题,提出了轻量化网络LW-Mnet。将改善后的MobileNetv3作为LW-Mnet的骨干网络,该模块由深度可分离卷积和non-local模块组成,前者是模型轻量化的核心,后者通过计算任意两个单位间相似度对特征加权,捕捉全局上下文长依赖信息。为了帮助模型学习多尺度间特征信息,对空洞空间卷积池化金字塔在轻量化方面进行改进,作为LW-Mnet的跳跃连接层。模型的解码部分由ShuffleNetv1基本模块构成,提取主要特征和恢复特征图分辨率。实验结果证明,LW-Mnet无论是在分割精度还是轻量化方面,都要优于其它对比方法。3)为了能将研究成果落地,基于以上工作设计开发了一个智能肝肿瘤分割辅助诊断平台。平台前后端分别基于Vue和Django框架实现,服务于临床医生和患者。患者可以在平台提交问诊表单,上传自己的肝脏CT影像,医生借助平台的肝肿瘤自动分割功能对患病表单完成诊断。在线肝癌问诊平台的搭建可以有效地降低患者的问诊成本,提高医生的诊断效率。