现代医学诊断,医生通常通过分析医学图像诊断病情。例如:乳腺癌是全球女性人群中最常见的恶性肿瘤。对于乳腺癌检测,乳房X摄影是最直接的方法之一。在临床实践中,医生可以通过观察X光片判断乳房是否存在异常。但是,由于乳房结构体复杂和乳腺癌早期病变部位不明显等原因,容易造成医生误诊。另一方面,中国患者数量大,这就要求医生需要在短时间内诊断出病情,给医生准确诊断又带来了更大的挑战。随着计算机辅助诊断的发展,基于深度学习的医学分割系统已经应用于各大医院,辅助医生进行病情诊断,提高医学诊断的准确性。过去几年,由于全卷积网络的提出,传统图像分割方法逐渐被取代。对于自然图像,基于深度学习的图像分割准确率得到大幅提升,但是在医学图像分割领域发展缓慢。主要原因是医学图像不同于自然图像,具有噪声分布不平衡和待分割病变组织复杂等特点。在利用全卷积网络获取高级特征时,由于感受野范围的限制,部分病变组织的局部位置信息提取不全,造成分割精度降低。同时,医学图像标记数据不足问题,也对网络训练带来很大限制。为了解决上述问题。本文进行了无监督学习和有监督学习医疗图像分割算法的相关探究和改进。主要研究内容如下:对于有监督学习医学图像分割,本文使用图卷积网络结合全卷积神经网络提取图像的高级特征和底层特征。首先利用全卷积网络提取图像的底层特征和部分高级特征。然后,使用提取的特征构建图的三元组信息。最后,使用图卷积网络训练图像的高级特征。对于无监督学习研究,本文采用双曲图卷积网络融合基于对抗学习的域适应图像分割框架。通过使用双曲图卷积网络,一方面减少特征映射过程中的失真,另一方面可以训练源域和目标域的结构分布差异。为了验证本文研究内容的效果,本文对两种方法分别进行了相关实验。实验采用了两个公开的乳房数据集:乳腺钼靶筛查数字数据集（Digital Database for Screening Mammography,DDSM）和INbreast数据集。通过与其它图像分割常用框架进行对比,结果表明本文研究方法在分割精确度等几个指标高于其它几种框架,体现了本文算法的有效性。