正电子发射断层成像（Positron Emission Tomography,PET）是一种分子水平非侵入式功能成像方法。PET图像能反映人体不同组织器官的代谢信息,恶性肿瘤一般代谢旺盛,在PET图像中呈现出明显的高亮度信号。PET图像中精准的肿瘤分割是癌症早期诊断和临床治疗中的重要步骤。然而,PET图像具有高噪声、低分辨率的特点,而且由于部分容积效应,肿瘤边缘是模糊的,因此PET图像中肿瘤区域的精确分割极具挑战性。计算机断层扫描成像（Computed Tomography,CT）是一种解剖成像技术,能反映人体的组织密度分布信息。CT图像比PET图像的分辨率高,但肿瘤区域的CT值与周围软组织的CT值差异很小,这为CT图像中的肿瘤分割带来了困难。本文主要针对PET/CT肿瘤分割问题的难点和现有方法的局限性,提出先进的基于深度学习的PET/CT肿瘤分割方法。之前的PET分割方法一般需要一个人工标注的感兴趣区域（Region of Interest,ROI）来简化分割问题。针对这一局限性,本文提出无需ROI的两阶段PET图像肿瘤分割方法,其中第一阶段自动找出ROI,第二阶段在ROI内部实现精细化肿瘤分割。我们提出了双流特征提取网络和基于分层非局部模块的特征融合策略,实验证明该方法在无ROI的条件下取得了有竞争力的单模PET分割表现。结合PET和CT图像的信息能提高肿瘤分割的精度。针对PET和CT图像提供的信息的差异性和一致性,本文提出基于信息解耦的PET/CT一致性分割方案。我们首先对每一模态的私有信息和跨模态公有信息进行显式解耦,然后对来自不同模态的公有信息进行一致性约束,最后融合私有信息和公有信息实现分割。该模型有效提取并融合了PET和CT图像的信息,提高了PET/CT共分割的性能。针对3D医学图像的标注成本高昂,而现有的PET/CT共分割方法普遍缺乏预训练模型的问题,本文提出基于自监督学习的多模态预训练策略。我们提出了几种不同的自监督学习方法从无标注的PET/CT图像对中学习图像的特征表示,实验表明,所提出的自监督预训练方式能提高模型在下游分割任务上收敛速度和分割性能。