针对医生手动对肝脏肿瘤CT图像分割耗时、耗力,且易受主观判断影响的问题,该研究提出一种深度监督残差网络（Deeply Supervised Residual Unet,DS-ResUnet）算法,以实现对腹部增强CT图像中肝脏及肝脏肿瘤区域进行全自动分割的目的。首先,利用公开发布的MICCAI2017肝脏肿瘤分割（LiTS）挑战赛数据集,并使用python及TensorFlow开源框架进行数据分析;然后,构建深度监督残差网络对肝脏及肝肿瘤图像进行自动分割;最后,通过平均Dice系数、全局Dice系数、Jaccard系数、平均对称表面距离（ASSD）、95%豪斯多夫距离（HD95）、准确率和召回率七个评价指标对所提出算法与Unet模型的性能进行比较分析。结果显示,所提出的DS-ResUnet算法在肝脏分割上的七个评价指标结果依次为96.06%、95.08%、92.54%、1.98 mm、12.87 mm、96.11%、96.06%,优于Unet模型的结果（95.71%、94.52%、91.91%、2.41 mm、14.21 mm、95.48%、96.01%）;在肝肿瘤分割上的七个评价指标结果依次为67.51%、76.65%、54.21%、6.65 mm、25.34 mm、80.39%、64.27%,也优于Unet模型的结果（60.67%、73.47%、47.39%、9.43 mm、39.38 mm、79.61%、58.01%）。这表明所提出的算法有效地提高了分割效果,实现了从3D腹部增强CT图像中全自动分割肝脏和肝肿瘤区域的目的。