随着医学影像技术以及计算机视觉技术的不断发展,医学图像分割在病灶评估中发挥着关键作用。在临床医学中,医学图像分割结果直接影响患者病情诊断以及后续治疗方案。然而,医学图像形态结构复杂多变,人工解读需要耗费大量时间,而且不同医生拥有不同的主观性判断,使得医学图像标注结果缺乏客观性。所以迫切需要能够自动分割医学图像结构的算法,以协助医生准确地诊断患者病情。本文以视网膜血管图像和皮肤病变图像为研究样本,对深度学习方法进行多模型自适应融合,提出三种医学图像分割算法:鬼影卷积自适应视网膜血管分割算法、基于高分辨率复合网络的皮肤病变分割算法和自适应多尺度Transformer皮肤病变分割算法。主要研究内容以及创新工作如下:（1）针对视网膜血管分割时存在主血管轮廓模糊、微血管断裂和视盘边界误分割等挑战,提出了一种鬼影卷积自适应视网膜血管分割算法。该算法一是将神经网络中普通卷积层替换为鬼影模块,鬼影模块采用逐步输出的方式生成丰富的眼底特征图,从而增加目标区域信息度。二是将编码器生成的特征图进行自适应融合并输入至解码器中预测分类,自适应融合模块利用不同感受野的卷积核去获取多尺度特征,使得眼底微血管特征能够更好地传递。三是在精确定位血管像素与解决图像纹理损失过程中,构建双路径注意力引导结构将编码器中低级特征图与解码器中高级特征图进行融合,提升视网膜血管分割精度。在DRIVE和STARE数据集上进行实验,实验结果证明,鬼影卷积自适应算法对视网膜血管图像具有较好地分割效果,为眼科疾病的诊断提供了新思路。（2）围绕皮肤病变图像分割时存在异物遮挡、特征缺失和病变区域误分割等挑战,设计了一种基于高分辨率复合网络的皮肤病变分割算法。该算法利用高分辨率网络和多尺度稠密模块构建编码部分,高分辨率网络并行连接结构使得不同分辨率特征图能够反复融合,保证高分辨率特征全局传递。多尺度稠密模块能够捕获密集目标和离散分布目标,降低病变特征缺失。同时利用反向高分辨率网络和双残差模块构建解码部分,双残差模块在重构图像空间维度信息时能够理解深层语义信息,精确定位病变区域。此外,算法运用形态学操作细化皮肤图像,降低异物遮挡对分割性能的影响。最后在ISIC2016、ISIC2017和ISIC2018数据集上进行实验,实验结果证明,高分辨率复合算法对皮肤病变图像具有较好地分割效果,为皮肤疾病的诊断提供了新窗口。（3）考虑计算机视觉多领域融合,为应对形态结构复杂的皮肤病变区域,将自然语言中Transformer结构融入医学图像分割,构建了一种自适应多尺度Transformer皮肤病变分割算法。该算法首先应用Transformer Block构建分层编码器,分层编码器从全局特征变化角度出发,多尺度分析皮肤病变区域。其次利用多尺度融合模块、通道注意力模块和联合层构建融合解码器,多尺度融合模块互补分层编码器中浅层网络信息与深层网络信息,增强语义信息之间的依赖性。通道注意力模块对多尺度融合模块输出的特征图进行权重处理,使信息越丰富的特征图权重越大,以此保留图像中关键内容。然后采用扩展模块多级输出方式,整合不同阶段特征信息,恢复皮肤图像尺度。最后在ISIC2018和PH2数据集上进行实验,实验结果证明,自适应多尺度Transformer编解码算法能够有效地分割皮肤病变图像,为计算机视觉多领域融合提供了新借鉴。