图像分割是人工智能、计算机视觉领域的重要研究内容。医学图像分割是指将医学图像分成若干个区域,并将图像中的感兴趣区域精准地提取出来,是决定医学图像在临床诊疗中能否提供可靠依据的关键问题,对疾病诊断、手术规划和预后评估等临床应用具有重要意义。本文旨在研究基于深度学习的医学图像分割方法,特别针对MRI图像中病灶区域较小、边界不显著、轮廓复杂多变等问题,提出了基于注意力机制的图像分割算法,在目前公知的数据集上得到了较好的分割结果。本文的主要研究内容和贡献如下:（1）针对主流基于U-Net分割模型中全局信息提取不充分,训练效率较低的问题,提出一种基于U-Net和自注意力机制的分割网络SAU-Net。模型使用自注意力模块增加全局信息,缩减网络参数,设计了一种快速简洁的分解卷积方法解决训练效率低的问题,并将残差连接融入到网络中。实验结果表明,SAU-Net模型参数量更少且Dice系数更优。（2）针对U-Net分割模型对图像小病灶细节特征提取不充分以及解码器使用高低层特征的低效问题,提出了一种可变形注意力机制及一种优化的分割网络Def A-Net。模型采用可变形卷积思想,通过对不同尺度、不同角度的病灶包围盒对病灶边缘进行注意力筛查,充分利用上下文信息提取病灶细节特征。设计了一种加权采样融合解码器发挥不同高层特征对分割结果的影响提高分割精度和效率。实验表明,本文提出的方法在参数量、鲁棒性、训练效率、准确率以及结构相似性上都有更好的表现。（3）基于迁移学习思想,使用本文提出的方法,对课题组与医院合作建立的脑卒中病灶检测MRI数据集Stroke QD进行了像素级分割及优化,验证了本文方法的泛化能力与适用性。