医学图像分割是医学影像处理过程中的关键技术之一,其对于辅助医生进行病理分析、诊断治疗等方面具有重要的研究价值。医学图像分割是指依据图像中某种近似的特性,将图像划分为多个不同的部分,进而对感兴趣的组织进行提取的过程。但由于医学图像在成像过程中经常受到各种外界因素的干扰,容易出现噪声严重、灰度不均匀、分辨率较低等问题,因此损失了许多有价值的特征信息,这给医学图像分割技术带来了巨大的挑战。虽然有关医学图像的深度学习分割方法层出不穷,但是许多分割网络对医学图像自身的特性考虑不够充分,对于多模态信息的利用、层次特征的提取和融合以及网络鲁棒性设计上都有所欠缺,所以导致分割效果不够理想。因此,本文针对现有方法中存在的缺陷,提出了两种改进编码和解码结构的分割方法,用以提升医学图像分割的精度和鲁棒性。本文的主要工作如下:（1）提出了一种基于多模态特征融合的特征编码和解码方法。针对于以往提出的有监督方法没有充分地考虑图像的多模态信息,并且受图像噪声和灰度不均匀强度的干扰,方法泛化性和鲁棒性不高的不足。本文从改进特征编码结构的角度出发,首先采用熵率超像素分割算法对多模态图像进行预分割得到超像素块,提出新的融合算法对其重新编号,建立超像素图,该图中的每一个超像素块构成无向图的一个结点;然后,利用每个结点的灰度值提取特征向量,通过相异性权重判断结点间的相关性,构建相邻结点的特征序列;最后,将特征序列作为（Bi-Directional Long Short Term Memory,BiLSTM）网络的输入,经过训练和测试,得到最终的分割结果。（2）提出了一种基于多尺度特征融合的特征编码和解码方法。针对于以往基于卷积神经网络的方法没有充分提取图像的特征信息,并且对不同尺度特征信息的融合和利用都不够充分的不足,本文从改进特征编码和解码结构两方面考虑,设计了一种融合了全自注意力网络、卷积神经网络和循环神经网络的三重互补网络（Triple Complementation Network,TCN）,促使三个网络之间进行相互地补充。在编码器中,利用全自注意力网络和卷积神经网络提取并连接输入图像的特征映射,以此来有效地捕获图像的全局和局部特征信息。在解码器中,利用包含循环神经网络的循环解码模块（Recurrent Decoding Module,RDM）对编码器得到的多尺度特征映射细化,并采用密集连接的方法融合全尺度特征,以预测更精细的分割结果。本文提出的两种方法分别在BrainWeb、MRBrainS、BraTS2017和Choledoch这4个医学数据集上的实验结果表明,基于多模态特征融合的特征编码和解码方法,由于充分利用了图像的多模态信息和空间的邻域信息,和主流较优的算法相比,大大提高了边界区域划分的精细度,并且对局部区域的噪声和灰度不均匀都具有良好的抗扰性。而基于多尺度特征融合的特征编码和解码方法,弥补了上一种方法依赖于传统的人工方法提取特征的不足,通过结合全自注意力网络和卷积神经网络提取到了更丰富的特征信息,并且利用卷积循环神经网络对多尺度特征进行细化,整体形成一个端到端的网路结构,有效地提升了网络的分割精度和鲁棒性。