目前,放射治疗是治疗癌症相对有效的手段之一,它是利用放射线如放射性同位素产生α、β、γ射线和各类X射线等直接破坏癌变细胞的DNA,使癌细胞停止异常的分裂增殖,从而达到治疗恶性肿瘤的目的。癌变区域附近的健康器官被称为危及器官（Organsat Risk,OARs）,在整个治疗计划中最重要的步骤是精细地勾画出各危及器官的轮廓以及边界。手工勾画不仅效率低,同时需要专业医师具有良好的人体构造学知识与临床经验。但是人体构造极其复杂,同一医生在不同时间段对同一张CT图像勾画时也会产生一定的偏差,难以保证放射治疗的质量。基于深度学习的分割算法可以实现危及器官的端到端精准分割,辅助医生优质高效地完成放射治疗,并对临床医学工作的发展有着一定的贡献。本文从胸腔危及器官的特点出发,围绕基于多尺度特征感知的编码-解码网络模型和基于多尺度注意力的分割网络模型展开研究,提出了两种基于深度学习的解决方案。主要工作如下:（1）本文提出一种多尺度特征感知的编码-解码网络模型（Feature-Aware U-Net,FA-Unet）,实现胸腔CT图像危及器官的分割。针对胸腔中四类器官之间大小存在差异的问题,本文首先构建输入感知模型,提取图像中各类器官的多尺度特征;其次,为了弥补编码层与解码层之间的语义鸿沟,在编码-解码结构中融入改进的 Inception 模块;将更为有效 ESP（Efficient Spatial Pyramid）与 PSP（Pyramid Spatial Pooling）模块代替传统的串行卷积运算,使得网络更为轻量化,且缓解了数据不足带来的过拟合问题。为解决类别不平衡问题,采用一种联合Dice系数与交叉熵的损失函数训练分割网络。实验结果表明,本文网络在精度与运算效率上取得了竞争性的优势,对心脏、主动脉、食道以及气管等形状大小存在差异的多目标危及器官的分割较为精细。（2）针对上述FA-Unet对胸腔CT图像中的孤立部分分割不准确以及边界分割效果不理想的问题,本文提出了一种基于多尺度注意力的胸腔危及器官分割网络模型（Multi-Attention U-Net,MA-Unet）。首先,设计了一个多尺度注意力,该模块将解码块的多尺度输出与通道注意力模块相结合,提高了对胸腔中微小孤立部分的分割。其次,将多尺度注意力的输出特征向量与跳跃连接传递的浅层特征图进行逐元素点乘,通过深层特征引导浅层特征（Deep Feature-Guided Shallow Feature,DFGSF）传递,有效地结合了不同层级的深层与浅层上下文信息,提高了网络对器官边界的分割效果。实验结果表明,相比FA-Unet以及其他同类型U型编码解码网络模型,本文提出的MA-Unet对胸腔中各类危及器官的分割效果较好,尤其是对器官边缘、微小的孤立部分的分割更加精细。