X光胸片是应对肺部区域疾病最常用的影像学检查方式之一,在其基础之上进行准确的肺部区域分割有着十分重要的意义。其分割结果既可以提供肺部区域的空间信息,辅助医生对于肺部疾病的诊断,也可以去除X光胸片中非肺部区域,避免其对于图像处理和诊断分析的影响。本文主要致力于基于X胸片的肺部区域分割方法的研究,针对已有工作存在的问题和不足,提出了三种X胸片的肺部区域分割方法。具体内容如下:针对分割结果不准确和不符合肺部特征的问题,本文提出了基于嵌套U型网络和后处理的X光胸片分割方法。该方法包括两个阶段:第一阶段主要通过由基于膨胀卷积的U型残差模块两级嵌套组成的分割网络产生中间结果,同时在模型训练过程中引入了基于多尺度的深度监督的损失函数。第二阶段主要是利用基于医学先验的后处理算法对中间结果进行后处理,得到符合肺部特征的最终结果。该方法在四个公开的数据集上取得了具有竞争力的效果。针对数据量较少和伪样本带来噪声较大的问题,本文提出基于深度生成先验的半监督X光胸片分割方法。该方法引入了一种基于深度生成先验的半监督学习方式,缓解了带有标签样本较少的问题,有效地提高了模型的泛化性和鲁棒性。同时该方法设计了一种基于金字塔卷积的U型残差模块,该模块可以确保在每个阶段内和阶段外都能够获取多尺度的特征,有效的缓解U型结构的信息选择不均衡问题。此外还提出了基于多级动态加权平均的混合损失函数,赋予模型自主选择监督信号强弱的能力,减少了质量较差样本带来的影响。与基线方法相比,该方法在四个公开数据集上性能表现均取得了显著提升。针对模型泛化能力差和分割结果不精细的问题,本文提出基于多尺度变换器（Transformer）网络的X光胸片分割方法。该方法通过引入基于滑动窗口的自注意力机制和基于多尺度Transformer改进的U型残差模块,进一步增加了模型获取多层次多尺度特征的能力。同时该方法通过改进不同阶段多尺度的跳跃连接,使得模型在解码阶段能够充分地结合语义信息和空间结构信息。此外通过改进的语义一致性损失函数,进一步地提升了监督信号的灵活度。在四种数据集和混合数据集上的实验中,该方法均取得了优于所有基线方法的结果。