医疗技术、计算机技术和移动通讯技术的快速发展,使得人民对于医疗系统效率期望提升,建设智慧医疗平台进行计算机辅助诊断系统的需求也在不断增加。在计算机辅助诊断系统中,对医学影像进行精准地分析和总结是不可或缺的一步。深度学习技术在通用视觉语义分割任务上的巨大成功,推动了相关研究人员在医学图像方向上对其的发展与应用。面向智慧医疗系统设计的医学图像语义分割算法,需要结合对应医学图像的特征,设计高效的算法来进行高精准度的分割任务,给医生提供一个可靠的参考结果,帮助减少诊断时间。针对上述目标,本文旨在针对不同的医学图像任务,设计出高效的图像分割网络结构,推动其在临床应用上的发展。针对自动乳腺超声病灶分割任务,本文提出了两个大方向上的改进。其一,本文提出了一种基于一致性正则化解码器和高效的窗口移位自注意力特征提取器的模型,在特征提取方面,它能够使用其无限的感受野,帮助网络捕获重要像素之间的长距离依赖。在利用无标注的数据方面,一致性正则化解码器能够提供帮助,它能够给编码器一个约束,使得编码器部分能够学习到图像最本质和最通用的特征信息,帮助分割精度的提高。其二,观察到自动乳腺超声数据集中,病灶的分布含有一定的特征,本文提出了一种带有区域唤醒机制的自注意力模型,它能够将注意力集中在应该关注的区域,从而减少其他不相关区域的干扰。该方法能够在大大减少模型计算复杂度和计算量的同时,实现性能的提高。我们还将区域唤醒模块设计成了可插拔的形式,它能够插入到网络的任何位置,以少量的计算量增加帮助模型进行特征的深入提取。本文在自动乳腺超声数据集上分别验证了两个不同的设计方案,将提出的方法与多种经典的、基于多种注意力模型在Dice、HD95、mIoU等指标上做了性能对比,整体上实现了最优的结果。针对多模态肝脏肿瘤分割任务,本文提出了一种新的多模态融合方案。首先,分独立的支路进行各模态的特征提取,这有利于各模态本质特征的学习,而不产生混淆;其次,本文对每个支路赋予了可学习的权重参数,其用于表示各模态相对最终分割结果的重要性,同时使得各独立支路之间产生微妙的联系;最后,本文提出了一种融合注意力模块,它与可学习权重参数相结合,可以高效地融合多模态的信息。本文对多模态信息的融合是逐步的,分别在不同的特征图深度进行特征整合,结合了多尺度的特征图信息,完成了更完整的多模态特征映射工作。在多模态肝脏肿瘤数据集中,本文进行了四倍交叉验证,并将提出的方法与多种最先进的方案与经典方案在HD95、VOE、Flops和模型参数量等指标上进行了性能对比,证明了该方法的有效性和优越性。