结肠癌是一种常见的消化道恶性肿瘤,大多数结肠癌由腺瘤性息肉演变而来,因此早期筛查结肠息肉具有重要的临床意义,通过结肠镜检测息肉是最有效的方法,在检测过程中可能会漏检某些息肉,利用计算机辅助诊断技术,对结肠息肉图像分割就显得很重要。近几年,随着医疗辅助诊断技术的逐步发展,产生了多种结肠镜下息肉图像分割方法,其中包括传统的结肠息肉图像分割方法和基于深度学习的结肠息肉图像分割方法,传统的结肠息肉图像分割方法需要提取特定的特征,且分割准确率有待提高,现有基于深度学习的结肠息肉图像分割方法,可以解决传统的结肠息肉图像分割方法存在的问题,但是现有基于深度学习分割方法,存在模型参数量大的问题。本文的总体研究目标是,对现有基于深度学习的结肠息肉图像分割方法,模型参数量大的问题展开研究。首先,针对现有基于深度学习的结肠息肉图像分割方法模型网络层数多且复杂,导致模型参数量大的问题,本文提出了全卷积密集网络方法对结肠息肉图像进行分割。通过研究全卷积网络方法和密集块策略,结合全卷积网络方法和密集块策略各自的优势,本文提出了全卷积密集网络方法,全卷积网络端到端的结构可以精准的对图像分割,密集块的短连接可以有效的降低模型参数,用密集块代替普通的神经单元,作为全卷积网络的基本块。通过实验,本文对比了全卷积密集网络方法和现有基于深度学习的结肠息肉图像分割方法的模型参数量和分割的准确率,证明了全卷积密集网络方法不仅能保证结肠息肉图像分割的准确率,还可以有效地解决模型参数量大的问题。其次,针对全卷积密集网络密集块的基础层存在冗余连接、导致模型计算量大的问题,本文提出了分组全卷积密集网络方法对结肠息肉图像进行分割,分组全卷积密集网络方法是对全卷积密集网络方法的优化。通过研究分组卷积方法和学习分组卷积方法,本文分别利用分组卷积方法和学习分组卷积方法,对全卷积密集网络密集块的基础层进行剪枝,减小冗余连接,建立了分组全卷积密集网络模型。通过实验,本文对比了分组全卷积密集网络方法和全卷积密集网络方法的计算量和分割的准确率,证明了分组全卷积密集网络方法不但能保证结肠息肉图像分割的准确率,还降低了模型的计算量,减小了模型的复杂度,实现了对全卷积密集网络方法的优化,得到了更好的结肠息肉图像分割模型。