基于深度学习（DL）的语义分割方法在过去的几年中一直提供着最先进的性能。特别是，这些技术已成功应用于医学图像分类、分割和检测任务。其中，U-Net 深度学习技术已成为这些应用中最受欢迎的方法之一。本文提出了一种基于 U-Net 的循环卷积神经网络（RCNN）模型，以及一种基于 U-Net 的循环残差卷积神经网络（RRCNN）模型，分别命名为 RU-Net 和 R2U-Net。所提出的模型结合了 U-Net、残差网络（Residual Network）和 RCNN 的优势。这些架构在分割任务中具有若干优点。首先，残差单元有助于训练深层架构。其次，通过循环残差卷积层进行特征累积可以确保更好的特征表示，从而提高分割任务的性能。第三，它使我们能够在保持相同数量网络参数的情况下设计出性能更优的 U-Net 架构，以实现更高质量的医学图像分割。所提出的模型在三个基准数据集上进行了测试，包括视网膜图像中的血管分割、皮肤癌分割和肺部病变分割。实验结果表明，与同等模型（如 U-Net 和残差 U-Net (ResU-Net)）相比，所提出的模型在分割任务中表现出更优越的性能。