医学图像分析是当前研究计算机视觉的关键领域之一,其中医学图像分割的作用是确定感兴趣对象的二维区域或内部体素的集合,感兴趣对象一般包括器官及其子部分,这是计算机辅助检测的第一步。本文针对医学图像分割任务,基于深度学习的算法展开研究,在细胞核、肝脏和肺部图像分割数据集上进行实验,以提高医学图像分割的精度。主要研究内容包括:首先,改进一种基于卷积神经网络和编解码结构的细胞核图像分割算法（Att Inc Net）。以U-Net框架为基础,编码器部分整合了通道注意力SE（Squeeze-andExcitation）和空间条纹池化SP（Strip Pooling）。级联路径上设计了一种轻量级的多尺度模块,用以减少编解码之间的特征差异。解码器部分增加了一个能够提供多层次信息的侧边输出结构,并利用阶梯和损失监督训练。在细胞核图像分割数据集上的实验证明Att Inc Net相比于其它网络有更好的分割效果,但该方法没有考虑建模长距离依赖。然后,设计一种基于CNN-Transformer的混合双路肝脏图像分割算法（Hct Net）。卷积神经网络虽然能捕获局部特征,但无法在全局特征空间建立显式的长距离依赖关系。针对Att Inc Net存在的局限性,Hct Net兼顾了卷积和Transformer的优势,把原始的U-Net作为卷积链路用于提取局部信息,另外建立一条独立的transformer链路用于捕捉全局联系,于瓶颈位置将两者有效融合。在肝脏图像分割数据集上的实验证明Hct Net优于其它先进的网络,为后续的研究提供了一个简洁通用的基础框架。最后,改进一种基于生成对抗网络并结合了Transformer的肺部图像分割算法（Sct GAN）。大多数分割算法使用像素损失监督模型学习局部信息和远程联系,很难进一步提高医学图像分割的性能。Sct GAN以Pix2Pix框架为基础,生成器使用Hct Net,利用其强大的特征提取能力增强生成网络的性能。判别器部分设计了一个先卷积后transformer并输出多层次结果的网络,在不同程度的视野上进行评估,能有效提高判别网络的区分能力。在肺部图像分割数据集上进行实验,Sct GAN取得了较好的结果。