医学图像分割是计算机辅助诊断和治疗的重要步骤。近些年来,随着深度学习技术的快速发展,基于卷积神经网络的图像分割技术已经逐渐趋向成熟。但是,由于医学图像本身的复杂性以及深度学习方法的局限性,医学图像的分割性能仍有待提高。本文将根据医学图像的特性,采用深度学习的方法设计先进的分割算法。PET,CT以及MRI图像被广泛应用于临床医学研究。PET(Positron Emission Tomography)是一种分子功能成像技术,其在人体组织早期病变检测方面非常有效。但是,由于成像时容积效应的影响,PET图像中的病理区域边缘通常是模糊的,且图像具有强度不均匀和高噪声的特点。CT(Computed Tomography)是一种解剖成像技术,主要提供了人体的组织结构信息,相较于PET图像分辨率较高。但是,由于病理区域与正常组织间的灰度相似性,两者之间不存在明显的分界线。所以,单独利用PET图像或者CT图像完成病理区域分割任务非常困难。本文以如何有效融合PET和CT图像各自的优点为出发点,设计了基于3D全卷积神经网络的高精度的病理区域分割算法Co-Segmentation以及Cross-DenseNet,该算法有效结合了PET和CT的优势信息,完成了端对端的全自动分割。同时,本文所提出的算法是一个通用的网络架构,可以迁移到其它不同模态和共分割任务上。MRI(Magnetic Resonance Imaging)图像也被称作磁共振成像,其凭借着高分辨率的特点经常被用于多器官分割任务。但是,由于器官的多样性,不同器官之间的形状,灰度,纹理等特征也不尽相同,从而也带来了图像分割任务中目标多尺度的问题。为了提高分割精度,本文根据MRI图像的特点,提出了针对多尺度目标优化的分割算法MTBNet,该算法同时可以以一种即插即用的方式集成到其它分割算法之中,简单易用。