从计算机断层扫描（CT）图像自动分割肾脏和肿瘤是精确分割肿瘤和个性化治疗计划中必不可少的步骤。先前的一些方法会使用2D模型在患者单张切片上分割出肾脏和肿瘤,忽略了切片之间的空间信息。有一些方法利用简单的3D模型分割肾脏和肿瘤,没有充分挖掘特征图中的信息,通道之间的关联也没有被充分利用。此外,以往的一些方法只是利用了局部区域的特征,没有关联不同局部区域之间的关系。所以,从3D CT图像中利用特征图本身信息、通道之间的关联性信息、区域之间的关联信息进行肾脏和肿瘤的分割是一件有价值的研究。本文提出了两种基于深度学习的方法从肾脏肿瘤断层扫描图像中自动分割出肾脏和肿瘤的方法。第一种方法是基于像素自适应卷积和深度可分离卷积的肾脏肿瘤图像分割方法（PD-UNet）。PD-UNet,利用像素自适应卷积和深度可分离卷积对包含丰富语义信息的特征图进行卷积,用来捕获更多肾脏和肿瘤的特征信息。首先使用像素自适应卷积根据不同位置的特征信息,自适应地学习不同位置的权重。接着,使用深度可分离卷积进一步提取不同通道的信息,同时也减少了卷积核参数。为了证实该方法的不同卷积贡献程度,进行了消融实验对比。与公共数据集上的最新方法比较,也取得了不错的成绩。第二种是整合通道上下文注意力和区域关联注意力进行肾脏和肿瘤分割的方法（CR-UNet）。CR-UNet,以提取,编码和自适应地整合多层面的相关特征。由于不同通道的语义特征对肾脏和肿瘤的分割贡献不同,建立通道语义注意力机制。本文设计了一种特征图选取策略,以提取有关肾脏和肿瘤的细节信息。一个区域关联注意力机制被建立用来整合不同区域之间的语义和位置联系。最后,提出了一种多角度特征融合策略,该策略将通道语义特征,原始细节信息以及区域关联特征融合到一起。消融实验展示了学习通道之间的语义关联,选取细节信息以及学习区域之间的相互联系,对于提高肾脏和肿瘤分割性能的贡献。与公共数据集上的最新方法进行比较的结果表明,肿瘤和肾脏的分割性能得到了改善。最后,使用pytorch深度学习框架,实现了上述两种分割算法,并且设计与实现了肾脏肿瘤分割系统。通过该系统,可以选择两种分割算法得到分割结果,同时该系统具备图像分割,图像可视化等功能。