食道癌作为生活中常见的一种癌症,其发病率和致死率都已经排在靠前的位置。当前诊断食道癌的影像主要有电子胃镜、超声内镜、计算机断层扫描、核磁共振等。医生在分析医疗影像时依赖于经验和专业技术,在诊断工作中容易出现耗时费力、精确度不高等问题。为了提升食道癌的确诊率,保障患者的生命健康,急需一种高效快捷的方式来辅助医生进行诊断。深度学习在图像处理领域已经取得了良好的成绩,它能够有效地对图像进行识别、分类以及目标区域的提取。利用深度学习来分析医学影像能够给食道癌的临床诊断带来了新的契机。本文的研究目的是基于深度学习的食道癌分割技术研究与实现,本文主要的研究内容如下:（1）针对传统人工对食道癌进行分割提取存在的问题,本文使用深度学习神经网络来进行病灶区域的分割。网络使用了编码器解码器结构作为主干部分,在模型中我们使用了双向循环结构,该结构在不增加模型参数的情况下能够多次提取特征信息。为了加快模型下收敛和增加模型的泛化能力,本文使用了批量归一化层。我们也利用残差结构来避免网络的性能退化。为了重点关注食道癌区域的特征信息,本文使用了注意力模块,该模块能够同时关注通道信息和空间信息。我们也使用多尺度模块提取不同尺度下模型的特征信息。（2）在使用神经网络进行图像分割时,数据的处理对最终的结果影响重大。本文在进行实验时需要从原始的医疗图像文件中提取其中的图像信息和标注信息。对获得的图像信息,使用窗口技术增大食道肿瘤区域和其他组织的对比度。在准备好实验数据之后,本文使用提出的网络模型进行了实验,同时也对比了一些经典的网络模型。实验结果证明,相比于U-Net网络,本文中使用的网络模型在Iou和Dice评价指标下分别提升了5%和9%。（3）本文实现了基于深度学习的食道癌辅助诊断系统。该系统能够利用多个神经网络模型对食道癌进行分割提取。系统使用Spring Boot框架实现,能够辅助医生进行诊断,提升诊断效率。