医学图像分割是医学图像处理中极为重要的一环,其发展将对可视化技术,疾病诊断和术后评估等方面有着重要影响。鉴于切片图像中病变或器官的位置大小不等,且在医学影像中,普遍存在轮廓模糊和噪声干扰等影响,如何进行实时的图像分割且保证有精确效果,将对医学图像分割技术的深入研究有着十分重大的实践价值和理论研究意义。随着深度学习的发展,卷积神经网络也被更多的研究者们运用在了医疗图像分割领域当中。而UNet的提出,则使之一度成为该领域之中最受欢迎的模型之一。UNet跳跃连接和解码编码的对称设计能很好提取医学图像中高级语义信息和低级特征,且其轻量化优势又能使其更好地适应较小的医学图像数据,加之其局部细节的分割效果出众,因此基于UNet的各种改进网络也层出不穷。然而连续的卷积和池化会导致部分空间信息的丢失,由此本文提出两个改进UNet模型,拟议网络1在Trans UNet捕捉序列长期依赖的基础之上结合上下文提取结构,来补充更为详细的特征信息。上下文提取结构主要包括了两个模块,分别是密集空洞卷积模块（DAC）和剩余多核池（RMP）模块。拟议网络2在Attention UNet的基础上结合上下文提取模块,并借鉴拟议网络1的融合思路。为结合不同的信息,本文还提出了转换融合层来结合上下文提取模块捕获的高级语义信息和多尺度特征。本文将两个拟议模型应用血管分割任务和肺部分割任务,为确保各个对比模型发挥优势,本研究结合了众多训练策略和技巧。实验结果表明拟议网络1在两项2D医学图像分割任务上都要优于基准网络Trans UNet,对于提升效果最好的肺部分割数据集,其在Dice系数上有1.01%的提升。相较于所有其他模型,拟议网络2在两项医学分割任务上Io U、Dice系数等都取得了最优的效果。其在提升效果更为明显的肺部分割数据集上,相较于第二名的网络Dice系数有1.56%的提升。实验结果表明,本文提出的改进模型在两项医学图像分割任务上都要优于原始UNet和其他改进网络,直接验证了提出的改进模型在医学图像分割实际应用中的有效性。