在如今的医疗体系中,医学图像分割技术具备很高的临床应用价值。无论是外科切除手术还是对病灶的定量分析,都需要精确地掌握器官和肿瘤的大小、三维结构和具体位置等重要信息,医学图像分割是提供这些信息的重要手段。近年来,泌尿系统肿瘤的发病率呈逐年上升态势,而膀胱癌和肾癌又是两种高发的泌尿系统肿瘤,因此,研究对膀胱肿瘤图像和肾肿瘤图像的自动分割算法是疾病治疗的实际需求。由于医学图像普遍存在复杂的噪声和伪影,不同组织之间的灰度差异较小,这使得需要根据先验知识来手工设计特征的传统图像分割算法难以获得精确的分割结果。因此,本文提出基于深度学习的方法来对目标进行分割,围绕膀胱部位MRI图像和肾脏部位CT图像的目标分割展开了研究。本文的主要研究工作如下:1)为了利用不同感受野的特征来区分膀胱肿瘤和膀胱壁,本文提出了一种基于空洞卷积的多尺度网络（DMC-Unet）。首先,该网络利用不同扩充率的空洞卷积来获得不同的感受野,进而实现分支下采样的结构,获得了不同尺度的特征。其次,该网络以残差结构作为特征提取子模块,有效缓解了梯度消失现象。最后,本文采用了一种结合高斯噪声、Gamma变换和空间几何变换的数据增强策略,避免了因数据集太小而发生过拟合的现象。实验验证了本文所提出方法的有效性,对二维MRI图像中的膀胱壁和膀胱肿瘤分割都取得了较高的精度。2)针对三维CT图像中的肾肿瘤体素远少于背景体素而导致的类别不平衡问题,本文提出了一种由粗到细的两步分割框架:先把感兴趣区域图像块分割出来,再对其进行细分割。在粗分割阶段,提出了一种先验轮廓辅助训练的方法对DMC-Unet进行训练,提升了模型对边缘轮廓的学习能力。在细分割阶段,首先提出了一种基于3D卷积的改进型U-net肾肿瘤分割模型（3D Res-Unet）,有效获取了三维图像的立体空间信息;其次,在交叉熵函数的基础上提出了一种新的损失函数（cmv-loss）,利用目标区域灰度的均值和方差来指导梯度更新,降低了预测结果的误判率;然后,提出了一种基于腹部图像数据库预训练模型的方法,通过微调预训练模型来训练目标模型3D Res-Unet,充分利用了预训练模型中已经学到的腹部图像通用特征;最后,提出了基于形态学运算的后处理算法对预测结果做进一步的处理,有效改善了分割结果。实验表明,本文提出的由粗到细两步分割框架能够对肾脏和肾肿瘤实现较好的分割。3)由于三维CT图像的切片之间存在类似于时序特征的紧密关联性,本文提出了一种融合Conv LSTM和3D CNN的改进型U-net网络（LC-Unet）。首先把三维图像的每一个切片看成时序上的一段信息,在下采样阶段利用ConvLSTM结构提取切片之间的特征,然后在上采样阶段采用3D卷积结构,提取三维数据的立体空间特征。实验表明,该网络对三维CT图像中肾肿瘤分割达到了更高的精度。