随着人们生活水平的提高,与肝脏器官病变相关的患者数量逐年攀升。肝癌给患者及其家属造成了无法估计的损失。电子计算机断层扫描（CT）技术具有无创、图像清晰和高密度分辨力的优点,是一种常见的检查手段。随着深度学习技术的发展,许多研究人员将深度学习技术应用到医学图像分割领域。在肝部CT图像中的肝脏和肝肿瘤分割任务中,肝脏和肝肿瘤具有位置多变、形态各异和边界重叠等特点,本文对经典U-Net模型进行改进,针对上述分割难题进行了以下研究工作:（1）针对肝部CT图像中肝脏分割和产生的语义鸿沟问题,本文提出了基于多尺度语义信息的内嵌式U-Net肝脏分割模型—MSN-Net模型。模型使用了经过全新设计的内嵌式结构,内嵌式结构中包含了大量跳连接和卷积块。跳连接由拥有更大感受野的卷积模块组成;此外,每个卷积块之间通过融合高维-低维特征图来捕获CT图像的多尺度信息;最后,使用Dice和交叉熵融合的加权损失作为MSN-Net模型的损失函数。通过实验可知,MSN-Net模型不仅缓解了语义鸿沟问题,而且进一步提高了肝脏分割精度。（2）针对更加复杂的肝肿瘤分割任务和跳连接产生的语义鸿沟问题,本文提出了一种基于多尺度注意力机制的肝肿瘤U-Net分割模型—MA-Net模型。MA-Net模型既能够分割肝脏器官又能精确的分割出肝肿瘤病灶。将注意力机制引入MA-Net模型中,设计了两种注意力模块:基于位置注意力机制的PAB模块和基于多尺度通道注意力机制的MFAB模块。基于注意力机制的两个模块,MA-Net模型除了缓解了语义鸿沟问题还增强了模型肝肿瘤分割性能。与其他先进模型进行比较,MA-Net模型同样具有优势。（3）为了能够达到理论结合实际应用的效果,本文设计了一款肝癌辅助诊断平台。诊断平台基于Python和Java两种高级程序设计语言进行研究和开发。该平台能够满足临床医生对于辅助诊断功能的要求。同时,平台具有良好的运行状态和稳定性,兼具操作便捷和美观的优点,能够辅助影像科医生进行临床诊断和治疗。