由于医学影像数量的激增，医生精力的有限，甚至于有些影像的观察需要依赖于具有完备领域知识和丰富经验的医生，从而有可能会出现医生因经验不足或者疲劳而产生诊断错误的情况。本文主要就医学影像的自动分割问题进行研究。无需人为干预，通过计算机对输入图像的处理，获得输入图像的分割结果。
　　传统图像分割方法的分割结果容易受到噪声的影响。而随着深度学习技术的发展，越来越多的深度学习方法被运用到计算机视觉的各类任务之上。将深度学习方法运用至医学影像的语义分割相比于传统的分割方法而言更不易受噪声的影响。
　　本文首先深入研究了传统的语义分割方法和基于深度学习的语义分割方法，介绍了其中的原理,然后完成了以下的工作：
　　1)本文就医学影像语义分割边界模糊的问题提出了一种基于边缘信息的语义分割方法。因Octave卷积操作不仅能将网络中的某层的特征张量分为两种不同频率段的信息，还能使低频段的信息更为紧凑，减少低频信息的空间冗余性，故而提出对Octave卷积分解出来的不同频段信息分别进行解码，得到图像概况的分割结果和图像细节的分割结果，最终通过图像细节对应的分割结果对图像概况对应的分割结果进行约束，进而获得完整的分割结果。此外，本文还考虑到了分割图像中类别不平衡的问题，通过各类别所占的频率对交叉熵损失函数中的权值进行设置，为稀有类别提供更高的权重，使得分割结果更为精确。后续的实验也证明了这方法Oct-UNet相对于所依赖的分割方法(U-Net网络)更为有效，且所需参数量还要比U-Net少很多。
　　2)本文就Oct-UNet模型中各层特征图之间的连接关系的问题提出了一种对Oct-UNet网络进行密集连接的方法。通过采用密集连接的形式，使得某一网络层的输出不仅同这一层的输入相关还同此层之前的网络层输出相关。这一方法有利于网络中特征信息的流通，能进一步提升网络分割的性能。后续的实验证明了这一方法对于分割问题的有效性。此外通过深度监督学习发现要得到精确分割结果，下采样的层数并非越多越好。
　　本文以U-Net结构为基础，就边缘模糊问题提出Oct-UNet网络结构，而后对Oct-UNet网络结构采用密集连接形式来提升网络中特征信息的流动。本文通过在胎儿的颅脑标准切面超声数据集上的分割实验验证了两种方法的有效性。