肝癌是全世界发病率和死亡率极高的恶性肿瘤,严重威胁着人们的身体健康,通过早期的筛查和治疗可以有效地减少癌症的发病率和死亡率。医生获取病人腹部CT图像后,要进一步判断肝脏肿瘤的位置、大小、体积等信息,需要将图像中肝脏肿瘤区域标注出来,然而手工分割需要耗费大量的时间和精力。为了提升肝脏肿瘤分割的精准度和效率,本文提出了基于U-Net网络的肝脏及其肿瘤CT图像分割方法的研究。（1）针对传统的基于灰度、边缘、纹理分割方法的缺点,本文提出了基于改进的2D U-Net网络的肝脏及其肿瘤图像分割方法,将2D U-Net网络作为基础网络,在网络的卷积层加入了残差学习模块,防止网络训练过程中出现过拟合;针对肝脏肿瘤在CT图像中占比较小,损失函数容易陷入局部最小值的问题,将交叉熵损失函数和Dice损失函数组成混合损失函数,有效地解决了网络训练过程中出现类别不均衡问题。（2）针对2D U-Net网络没有学习到图像空间信息的问题,本文提出了 3D U-Net网络。为了防止网络训练过程中出现梯度消失,提升网络的收敛性能,引进了残差模块,同时引进空间位置注意力机制和通道注意力机制,将空间维度与通道维度的语义信息进行关联建模,将图像的全局特征和局部特征相联合,增强特征的表达能力。（3）针对3D U-Net网络进行肝脏及其肿瘤分割计算量很大,储存需求高,端到端的训练受到GPU内存和数据大小限制的问题,提出了 2.5D U-Net网络。本文在网络的编码层和解码层之间引入空洞卷积,减少了特征损失,增大了肝脏及其肿瘤的视野感知域,提高肝脏及其肿瘤图像检测和分类的精度,同时引入空间位置注意力机制和通道注意力机制,增强特征的表达能力。运用改进的U-Net网络进行肝脏及其肿瘤的分割,实验结果表明,改进后的网络模型具有较好的优化效果,能够将肝脏及其肿瘤从腹部CT图像中精确分割,具有一定的临床参考价值。