在全球最常见的恶性肿瘤中,原发性肝癌位居第五位,且致死率位居第三位。目前原发性肝癌最有效的根治方式包括肝移植手术和肝切除手术。在进行手术之前,医生需要通过医学影像技术获取肝脏的解剖信息和定量信息以进行肝功能评估。通常这一步需要拥有相关专业知识以及大量实践经验的医生对医学影像进行逐帧逐像素的标注,从医学影像中手工分割出肝脏区域。然而这个过程极其耗费时间和精力,而且受到医生主观因素的影响,不同医生标注出的肝脏区域也会有一定程度的差异。因此为了减轻医生的工作量,并加快分割效率,利用当前先进的人工智能技术进行自动化肝脏分割是大势所趋。本文在对现有的医学图像分割模型进行总结和分析的基础上,围绕多任务学习和弱监督学习对肝脏分割算法展开了针对性的研究。本文的主要工作和创新点如下:(1)针对二维分割模型在没有肝脏的区域会分割出小块肝脏的问题,提出了一种结合分类任务的肝脏分割网络模型(USCNet)。该模型在U-Net的基础上增加了分类模块从而实现了多任务学习,其在分割CT(Computed Tomography)图像的同时会判断该图像中有无肝脏区域,而后根据分类结果对分割结果进行后处理。通过多任务学习,模型能学到更好的肝脏特征。实验表明,本文提出的多任务分割模型具有更好的分割性能,以及在应对个体差异时能有更好的稳定性。(2)针对医学图像分割任务中像素级标注样本获取困难的问题,提出了一种通过图像级标注样本增强分割效果的弱监督分割网络模型(WUSCNet)。该模型首先通过像素级标注样本进行训练,在训练到一定迭代次数后,加入额外的图像级标注样本共同训练。在共同训练过程中,该模型通过CAM(Class Activation Mapping)技术从图像级标注样本中提取出区域置信图,然后将区域置信图用于约束分割误差,从而使得模型能够学到更利于分割的肝脏特征。实验结果表明,该模型通过引入图像级标注样本能够提升模型的分割准确率。