肺栓塞是一种具有高并发率和高死亡率的疾病。由于肺栓塞在临床诊断病例中不存在特异性,通常的诊断手段都是由专业医生诊断并手动标记出病灶区域,这个过程费时费力,并且由于肺栓塞医学图像的形状、位置、轮廓和边缘等有很大不同,导致很难通过一般性规则和特征来实现准确的肺栓塞图像分割。肺栓塞的诊断准则CT血管造影（Computed Tomography Pulmonary Angiography,CTPA）图像往往伴随着病灶区域小和数据不平衡的问题。深度学习如今已对图像处理领域进行了彻底的革新,并且在许多医学图像分割处理任务中实现了最先进的性能表现。基于深度学习的医学图像分割任务已经经过大量实验与研究从而满足不同的医学需求。其优势就是通过使用无监督或半监督的图像数据获取方式,以及分层特征提取的高效计算,从而取代了传统人工特征收集,极大地提高了工作效率。主要研究内容和工作如下:（1）提出了结合变形卷积、自注意力和损失优化的肺栓塞医学图像分割算法。针对肺栓塞图像非刚性的特性,对于位置容易发生改变的病灶,采用变形卷积使模型更高效地利用特征信息。针对医学图像分析中经常存在的目标病灶区域仅占整张图像一小部分,从而导致建立生成对抗框架的不稳定性问题,采用FTL损失函数,解决了因为类别不平衡和错误样本占主导梯度的难题。结合自注意力机制使网络模型更加专注于感兴趣的区域（Region-of-Interest,ROI）,突出了ROI的主要权重,实现了端到端的训练。实验结果表明,该算法结构在小目标对象分割上有良好的表现。（2）提出了基于Double U-Net的DBAU-Net网络肺栓塞医学图像分割算法。采用预训练的VGG-19＿bn结构来初始化第一个收缩路径中的参数,使网络能够更深入地理解图片信息,从而特征更加丰富,达到更好的效果。同时通过深度空洞空间金字塔（Deeper Atrous Spatial Pyramid Pooling,DASPP）结构,获取了更深层的特征信息,并减少了网络参数。在跳跃连接部分引入非对称特征融合（Asymmetric feature fusion,AFF）模块,使不同尺度的信息可以进行融合进而提升模型性能。其次,压缩-激励（squeeze-and-excite）结构,也得到了更加深入的训练特征信号,使最相关的信息得到传递。在上采样阶段,将标准卷积替换为转置卷积替换插值操作。实验结果表明,本文设计的算法结构在肺栓塞图像分割上表现出卓越的能力,并有良好的泛化性能。