随着现代医疗技术的不断进步,医学图像数据量在持续快速增长,这使得计算机辅助的医学图像分析算法引起了学术界以及工业界的广泛关注。其中医学图像分割在病变组织的定位、解剖结构的学习等多种情况下有着巨大的应用需求。如何利用特定医院标注的有限数据训练高性能的分割模型仍然是医学图像分割中重要的研究任务。在实际使用过程中,医生标定数据的成本十分昂贵且耗时,且大量的无标签数据无法有效加入模型训练。为了应对这种情况,全监督和半监督方式下的医学图像分割获得了广泛的关注,全监督方式的算法着重于使用有限的精标注数据尽可能的提升分割性能,而半监督方式的算法则在全监督方式的基础上引入无标签数据加入模型训练,以进一步提升网络性能,从而在一定程度上缓解当前主流分割模型需要依赖大量精标注数据训练的需求。受对抗思想的启发,本文结合生成式对抗网络完成上述两种算法。针对全监督方式下的分割任务,现有基于生成式对抗网络的分割算法大都使用分类器形式的判别器以优化分割网络,这种判别器只能提供全局的对抗信息,这对于需要大量局部细节信息的分割任务是不足的。因此,本论文提出一种基于全卷积判别器的全监督分割算法,使用全卷积形式的判别器进行充分的对抗训练。在此基础上,引入了注意力机制设计并改进了分割网络。具体而言,针对小型三维MRI、CT数据集和二维医学图像数据集,设计并改进了二维分割网络U-Net,针对大型三维MRI、CT数据集,引入注意力机制改进V-Net。增加注意力门训练的模型能够自动突出对特定任务有帮助的显著特征,因此可以消除使用定位模块的必要性。在实验中,该方法获得了良好效果,引入全卷积判别网络后,模型性能进一步提升。进一步地,本论文在完成全监督算法的基础上,提出一种重要性权重指导的的半监督对抗学习算法ISDNet（Importance Guided Semi-supervised Adversarial Learning for Medical Image Segmentation）。ISDNet方法在全卷积判别器的基础上,继续使用对抗学习优化分割网络,特别地,ISDNet能够结合传统自训练（Self-training）算法实现半监督算法,并在此基础上,结合无标签数据的重要性权重进一步提升分割网络性能。ISDNet方法能有效的利用无标签数据进一步优化分割网络。