近年来,随着国民医疗水平的不断提升,医疗影像设备在基层医院的不断普及,医学图像数据已经成为医生做出病理诊断的重要依据,利用计算机技术对医学影像数据进行处理也随之引起了研究人员的极大兴趣。随着深度学习技术的不断发展和计算机硬件水平的不断提升,基于计算机技术的医学图像辅助诊断技术得到了长足发展。由于医学图像在采集过程中受到机械和环境的影响,往往会在图像中引入噪声和金属伪影损坏图像的质量。因此,医学图像增强是开展进一步医学图像分析的重要预先处理工作。对医学图像中的感兴趣区域采用相关算法进行自动分割对提升专业医师的阅片效率、辅助医生临床诊断和缓解手工分割工作强度有着重要研究意义和临床应用价值。本文主要针对核磁共振图像,分别对核磁共振图像增强和分割算法进行了研究。主要研究了基于编码解码器网络的核磁共振图像去噪算法、基于注意力机制的双监督核磁共振去噪网络以及基于多尺度策略和注意力机制下核磁共振脑肿瘤分割网络。主要工作和贡献如下:（1）提出了一种基于编码解码网络的核磁共振图像增强算法在此算法中,基于深度神经网络可视为一种隐式正则化函数的观点,在新设计的基于编码解码器网络作为隐式正则化的前提下,将图像结构相似性概念引入,构建一种新式的数据保真项,并利用图像清晰度计算这一先验又设计了一种正则化项（惩罚项）,由新数据保真项目和基于清晰度计算的正则化项组成了新的模型优化目标函数。所提出的深度神经网络结构主要由三个主要部分组成:编码器网络,解码器网络和跳跃连接结构。编码器网络由五个下采样模块组成,执行提取低分辨率或相对抽象的图像特征;解码器网络结构和编码器网络结构类似,由五个上采样模块串联而成,执行预测和恢复较高分辨率图像特征;跳跃连接结构的作用在于将抽象信息从编码器直接传递到解码器中,增强了解码器信息恢复能力便于生成更精细的图像特征。（2）提出了一种基于注意力机制的双重监督核磁共振图像去噪网络此网络模型在传统的编码解码器网络的基础上,提出了一种基于1l和SSIM损失监督下的并行解码器网络去噪方法。其中,采用的1l损失函数能够避免产生斑点伪影,并有效增强网络捕捉纹理信息的能力,引导解码器子网络从不同角度进行生成图像。为了整合不同解码器的输出,本文引入了一个注意力机制模型。该注意力模型利用从编码器的每个位置（stage）提取的隐藏特征图,在对特征图拼接融合后学习生成权重图,利用权重图对两个解码器的输出进行加权。最后,在利用均方误差损失下来保持整个网络的收敛性。（3）提出了一种基于多尺度注意力机制双编码器（dual-encoder）三维脑肿瘤核磁共振图像分割网络本文提出医学图像分割模型,引入多尺度策略和注意力机制,设计一种多尺度下的双编码器三维核磁共振图像分割网络。此网络首先将输入的三维核磁共振图像调整为两个尺度,然后通过双编码器网络分别对这两个尺度的三维核磁共振图像进行特征提取和捕捉上下文语义信息。在每个编码器网络中,提取网络中不同位置的特征,这些特征来自网络的多个位置,并包含了丰富的上下文信息,然后将其拼接融合后作为所提出的注意模型的输入特征图。接着设计了注意力模型来学习各个尺度特征图对应的权重图,小尺度下对大对象和大尺度下的小对象分别赋予大权重,并对不同尺度下的权重特征逐像素计算权重图,并将权值映射应用到编码器网络的输出,生成多尺度编码器网络的特征总和。然后,设计一个解码器网络,以精确定位或掩码预测与特征的总和。为了使解码器网络能够组装更精确的预测,并在大规模的一个编码器网络和解码器网络之间采用了跳跃连接,以传输高分辨率的特征。