现代医学的临床诊断高度依赖于医学影像技术。医生通过查看影像的方式,能够确认人体内部器官或组织的病变区域,继而提出相应的诊疗方案。然而,由于器官组织等拥有复杂的解剖结构,即使是经验丰富的医生也需要耗费较多的时间与精力解读影像。医学图像分割技术能够快速准确地定位病灶区域,帮助医生提高诊断效率,受到了广泛的关注。随着卷积神经网络在机器视觉任务上取得的巨大成功,医学图像分割技术的精度与鲁棒性也得到了极大的提升。然而,目前领域中仍旧存在许多挑战。医学影像中普遍含有较多的噪声与伪影,目标边缘轮廓模糊,导致精准的边缘分割难度较高。此外,医学影像数据来源有限,高质量的分割标签依赖于专业医生的手工标注而成本高昂,有限的数据难以支持网络充分的训练。面对上述挑战,针对医学影像中常见的圆形或卵圆形的分割目标,本文设计并实现了一个基于极坐标的全监督分割网络和一个基于流形空间的半监督分割网络。两个网络分别通过设计一系列的优化模块和构建半监督训练条件的方式,在有限的训练数据条件下实现了较好的分割。本文主要工作如下:基于极坐标回归的全监督分割网络:针对传统分割网络中目标形状表征复杂的问题,本文提出了一个基于极坐标回归的全监督分割网络。网络采用中心点和若干条极射线表示目标,将分割任务分为极中心图的回归任务与极射线回归任务,提升了网络的形状感知能力。为获得中心图的真值标签,我们提出了基于轮廓边缘的概率图生成算法。在极射线的回归过程中,中心图真值又将被作为损失的掩膜,用于强调高中心概率的像素点对极射线回归的重要性。此外,我们创新性地构建了极射线对长度约束,并据此提出了投影距离损失。这充分利用了极射线图中隐含的目标尺寸与形状信息,进一步加速了网络收敛。我们在3个公开的医学影像分割数据集上进行实验,通过与其他分割方法的对比,验证了方法的有效性。基于流形空间的半监督分割网络:面对稀疏标签的问题,本文借鉴了流形嵌入的思想,进一步提出了基于流形空间的半监督分割网络。我们设计了一种充分表征目标尺度与形状信息的低维流形标签,并据此构建了两个流形分支。两个分支分别以原始图像和预测的极射线长度图为输入,输出流形图预测结果,基于流形空间数据的一致性要求,为网络提供额外的自监督信号。为有效利用无标签数据的信息,网络采用了一个两阶段的训练策略。首先通过仅使用有标签数据的全监督训练初始化网络参数,继而以一定比例同时利用有标签和无标签数据进行半监督训练,以优化网络参数。为验证方法的有效性,我们在2个公开的医学影像数据集上进行了一系列实验。结果显示,在20%有标签数据的条件下,本文的方法在Dice指标和HD指标（Hausdorff Distance）上都优于其他半监督分割方法。