Les méthodes de segmentation sémantique basées sur l'apprentissage profond (DL) ont fourni des performances de pointe au cours des dernières années. Plus précisément, ces techniques ont été appliquées avec succès à des tâches de classification, de segmentation et de détection d'images médicales. L'une des techniques d'apprentissage profond, U-Net, est devenue l'une des plus populaires pour ces applications. Dans cet article, nous proposons un réseau neuronal convolutif récurrent (RCNN) basé sur U-Net ainsi qu'un réseau neuronal convolutif récurrent résiduel (RRCNN) également basé sur U-Net, nommés respectivement RU-Net et R2U-Net. Les modèles proposés exploitent la puissance de U-Net, du réseau résiduel (Residual Network), ainsi que celle du RCNN. Ces architectures proposées présentent plusieurs avantages pour les tâches de segmentation. Premièrement, une unité résiduelle aide lors de l'entraînement d'une architecture profonde. Deuxièmement, l'accumulation de caractéristiques grâce aux couches convolutives récurrentes résiduelles assure une meilleure représentation des caractéristiques pour les tâches de segmentation. Troisièmement, elle nous permet de concevoir une architecture U-Net améliorée avec le même nombre de paramètres du réseau tout en offrant une meilleure performance pour la segmentation d'images médicales. Les modèles proposés ont été testés sur trois jeux de données de référence : la segmentation des vaisseaux sanguins dans les images rétiniennes, la segmentation du cancer de la peau et la segmentation des lésions pulmonaires. Les résultats expérimentaux montrent une performance supérieure dans les tâches de segmentation par rapport aux modèles équivalents, y compris U-Net et le réseau résiduel U-Net (ResU-Net).