针对现有医学图像分割模型存在着计算复杂度较高、参数量大，难以部署到实时医疗辅助诊断系统中，而现有的轻量化模型存在参数减小后导致分割性能下降等问题，提出了一种基于改进的轻量化U-Net分割模型。该模型由编码器、解码器和跳连接三个主要部分组成。编码器使用了由标准卷积和深度可分离卷积组合形成的多尺度融合模块，在此基础上，为增强神经网络学习能力，引入了瓶颈层结构，使用聚合方法设计出轻量级的跨级部分网络模块作为特征提取器对输入的图像进行特征提取；在解码器中继续使用了该轻量级模块来进一步优化模型，降低模型的计算复杂度以及减少参数量，同时能够产生更好分割效果；通过跳连接的方式实现编码器与解码器之间不同分辨率的特征信息融合。在腹部器官CHAOS和胸腔Chest X-ray数据集上进行实验，结果表明，改进型U-Net分割模型的参数量以及计算复杂度都得到了不同程度的降低，在模型参数量仅为1.28M的情况下，DSC分别为87.53%和95.85%

IOU分别为85.25%和92.21%

取得了不弱于其他网络的分割性能。