近年来,深度学习得到广泛的研究,目前已成为一种主流的研究技术。深度学习在图像分类﹑图像识别﹑图像检索和目标检测等各个领域都取得显著成果,随着深度学习在自然图像语义分割上取得的突破性进展,由此将图像分割扩展到医学图像上。由于医学图像自身的特性,导致许多先进的分割算法未能在医学图像取得好的结果,所以医学图像的分割需要特定的算法去实现。基于改进深度模型的医学图像分割,本文的主要工作如下:(1)针对目前医学图像分割常使用的Sigmoid激活函数,可能产生梯度消失而影响网络特征编码能力的问题,本文提出基于编码约束的全卷积分割网络。医学图像分割本质上是对每个像素的二分类,而Sigmoid激活函数常用于二分类,Sigmoid激活函数可以将特征映射到0-1之间。Sigmoid适用于二分类但却可能导致梯度消失,本文通过一个约束编码,在使用Sigmoid之前将编码层特征值规范到0.5附近,以此来缓解梯度消失并提高特征编码能力。针对基于全卷积在目标边缘分割的粗糙性需要CRF对分割结果做平滑处理问题,本文提出利用生成对抗网络端到端的实现医学图像的分割。通过实验可视化分割结果表明在网络中引入多尺度特征损失判别器,通过生成对抗网络的训练方式能够改善分割效果,在不损失分割精度的基础上,在图像目标边缘区域有一个更优的平滑效果。(2)针对当前深度学习方法在小目标胰腺分割的不准确性,本文提出由粗到细多视野自适应分割网络。整个网络由粗分割,多视野自适应细分割和判别器三部分组成,粗分割采用FCN8s网络用于确定胰腺的位置,并通过显著性变换模块增强图像;多视野自适应细分割网络以U-net为主干,针对不同的感受野结合注意力机制来实现,并通过一个权重网络加权拼接不同U-net的输出作为聚合网络的输入,完成最终的分割;多尺度特征损失判别器用于指导细分割的多个支路和聚合路的训练。最终在预训练的基础上,采用生成对抗的训练方式微调网络对模型进行端到端的训练。通过在Finding lungs in CT数据集上测试约束编码网络和生成对抗网络的性能,实验结果表明约束编码能有效的预防梯度消失,提升网络编码能力;生成对抗网络在可视化分割结果上取得了较好的效果。在NIH pancreas82分割数据集上测试由粗到细多视野自适应分割网络,实验结果表明本文提出的模型有一个较高的DSC(Dice系数),最终通过综合粗分割和细分割以及聚合网络的分割结果进而得到更好的分割结果。