随着深度学习的不断发展和计算能力的日渐提升,医学表征的自动辅助识别成为当下智慧医疗的重要发展方向。相比传统资深医师的经验,借助图像语义分割技术对医学影像中医学表征的自动识别更加客观、迅速,可降低对执业医师经验水平的要求,提高患者及时诊疗标准。然而,现有用于医学影像的图像语义分割技术往往因参数量过大而难以在移动终端或嵌入式设备中部署,又因医学图像标注困难和医师标准不一而对医学表征的分割实现提出挑战。本文则基于此,以经典图像语义分割结构U-Net网络为研究对象,针对其在医学表征分割过程中编码器和解码器组成的U型网络自身的结构特点及其参数量,在结构上取长补短,在参数上适当压缩,并在不添加任何辅助模块的基础上,设计适用于CT和MRI医学影像中医学表征分割与识别的轻量化新型U-Net网络架构。主要研究内容如下:首先,分析系列U-Net网络的结构特点,综合编码器与解码器间平连接、密集连接与全尺度跳跃连接的结构优势,设计一种基于全网络跳跃连接的轻量化U-Net网络（FLU-Net）;基于最普遍使用的Vgg16骨架,推导并对比FLU-Net及系列U-Net的参数量,选取基本通道数为8以大幅降低网络参数量来实现轻量化;借助密集连接的结构特点,设计剪枝结构以进一步降低网络参数量、加快推理速度;选取二分类肝脏数据集和多分类脑肿瘤数据集对该网络分割效果予以验证,证明其以不足1%的参数量取得与其他方法相当或更好的分割性能。其次,考虑FLU-Net的复杂结构和冗余特征,结合系列U-Net中编码器特征的普遍提取,设计一种基于来自深层编码器的深度跳跃连接的高效轻量化U-Net网络（ELU-Net）;引入残差网络中参数较少的Res Net34骨架,推导并对比两种骨架下ELU-Net的参数量;选取9种损失函数,分析单个及两两组合对基于Res Net34的ELU-Net分割效果的影响,借助指数和对数函数并兼顾损失函数的均衡性,设计一种新型损失函数DFK;选取多分类脑肿瘤数据集和二分类肝脏数据集,对新型损失函数DFK下基于两种骨架的ELU-Net的分割效果予以验证,证明其以不足4%的参数量取得与其他方法相当或更好的性能,且相比FLU-Net在结构大幅简化且保持相对轻量化的同时分割性能相当。再次,综合FLU-Net提取的浅层编码器特征和ELU-Net中提取的深层编码器特征,设计一种基于全编码器跳跃连接的轻量化全编码器U-Net网络（LEU-Net）;推导并对比Vgg16和Res Net34骨架下LEU-Net的参数量,继而分别讨论9种损失函数及其两两组合对两种骨架下LEU-Net分割效果的影响,论证新型损失函数DFK的合理性;选取多分类脑肿瘤数据集和二分类肝脏数据集,对新型损失函数DFK下基于两种骨架的LEU-Net的分割效果及新型损失函数DFK的有效性予以验证,证明其以不足5%的参数量取得与其他方法相当或更好的性能,且相比ELU-Net在保持轻量化的同时分割性能得到进一步提升。最后,基于Vgg16骨架下所设计的LEU-Net,考虑与网络参数量直接相关的网络层深度与基本通道数,选取二分类肝脏数据集,分析对比不同参数组合下对该网络结构优势的表达,在充分调动U型网络自身的优势下,对参数量较低即更加轻量化的参数组合可以平衡网络参数量和分割效果间的矛盾予以验证;同时考虑分别含有高斯噪声和椒盐噪声的待学习图与标签图,分析对比不同清晰度的数据集对该网络分割效果的影响,对该网络在含有噪声的数据集上的鲁棒性予以验证;此外,考虑实际CT影像的干扰噪声,对该网络实际识别效果的有效性予以验证。