近年来,科技水平日趋进步,图像信息在日常生活中的比重逐渐加大,图像处理领域因此得到越来越多地重视。图像分割在图像处理领域占据重要位置,是理解图像内容的前提条件,图像分割的结果对后面的操作有直接影响。现在众多领域都能找到图像分割的应用,尤其医学图像中,图像分割有助于医学对患者病变位置的准确判断,并能够减轻医生在治疗过程中的压力,但是医学图像容易受到外界噪声的影响且医学图像的成像过程也会由于仪器问题产生额外的缺陷,因此设计一个能够提升医学图像分割效果的算法就显得非常重要。目前图像分割还未发现能够满足任何图像的分割方法。一般来说,经典的图像分割方法的思想都是直接作用于图像的某项特质,容易受到图像本身的限制,而最近,与某些领域技术的结合成为图像分割技术发展一大方向。如今人工神经网络得到了许多研究学者的关注,基于全卷积神经网络的图像分割算法的提出也为图像分割开辟了一个新的方向,然而使用这种方法分割的图像结果不够精确且在分割过程中未考虑像素之间的空间信息。本文将从这两方面进行着手,提出了一种基于全卷积神经网络的改进算法。该算法较好地改进了全卷积神经网络的准确度,优化了全卷积网络的分割结果。本文的主要研究成果如下:1.针对使用全卷积网络分割后的图像不够精细这一问题,本文通过改造图割算法的能量函数进行结果的优化。实验证明该算法有效地提升了医学图像最后结果的准确性。2.基于全卷积网络的图像分割算法缺乏空间一致性,为此本文在分割过程利用Gabor滤波器引入了图像的纹理特征,并与图割算法得到的结果一起使用随机森林对像素再分类。结果显示该算法明显地提升了分割效果。3.本文在改进的算法的基础上设计并实现了一个医学图像分割系统,完成了该系统的需求分析、功能模块设计以及数据库设计,最后详细地介绍了该系统的编码实现过程以及对该系统的最终测试情况。