肝癌如今是全球范围内最为普遍的癌症之一,具有较高的发病率与致死率,严重威胁着人类的生命健康安全。当前计算机断层成像技术已经成为肝癌诊断与治疗过程中最为常用的医学成像方法,而在此基础上的计算机辅助肝脏及肿瘤分割则对于术前规划、术中参考与术后评估具有十分重要的指导作用。然而肝脏肿瘤的位置、数量、尺寸、形状等特征因人而异,具有高度异质性的特点,基于图像处理或者传统机器学习的分割算法通常难以有效提取与利用CT图像中的高级语义信息,对于病变肝脏以及肿瘤的分割精度十分有限。而当前主流深度学习算法尽管相较前者能够在肝脏及肿瘤分割精度上带来大幅提升,但是对CT图像中存在的复杂细节的分割效果仍然不够理想,另外存储空间占用大、计算复杂度高的特点同样限制了当前主流深度学习方法走向大规模临床应用。针对上述问题,本文设计了两种轻量高性能的CT图像肝脏及肿瘤分割网络,本文的主要工作如下:（1）针对当前以V-Net为代表的主流三维全卷积网络参数量、计算量庞大,收敛困难的问题,本文设计了一种带有解码器深度监督机制的轻量型V-Net。该网络使用由深度卷积与点卷积组成的三维反向残差瓶颈模块构建编码器与解码器的主体部分,并分别使用轻量级的下采样模块与上采样模块连接各层级的编码器与解码器,使得网络的参数量与计算量得到了大幅的降低。同时反向残差模块中的扩张路径与收缩路径能够提升网络对于有效特征提取与选择的能力。另外,该网络在解码器各层级加入了深度监督模块,该模块通过为中间层注入梯度的方式提升网络内部特征图的质量,从而进一步提升网络的分割性能。实验表明,该网络的分割精度优于主流三维网络,同时对存储空间与计算资源的占用更少。（2）针对当前主流CT图像肝脏及肿瘤分割网络无法充分利用全局空间上下文信息,对于肝脏、肿瘤复杂边界或内部区域分割效果不够理想的问题。本文设计了一种带有双重注意力模块与双路径解码器的U-Net。网络的编码器为MobileNetv2,解码器则由反向残差瓶颈模块构建,因此该网络同样具有高度轻量化的特点。双重注意力模块使网络具备了在全局范围捕获通道维与空间维上下文信息的能力,并且能够使网络建模特征之间的相互依赖关系,并通过加权和的方式增强特征图中兴趣区域的响应并抑制出现在无关区域的噪声,能够有效提升网络对于肝脏或肿瘤内部区域特征理解的连续性与一致性。双路径解码器则为网络提供了更多差异性信息,有助于提高网络对于肝脏或肿瘤边界识别的敏感度与准确性。实验表明,该网络能够以低于主流二维或三维网络的存储与计算代价达到更优的肝脏及肿瘤分割精度。