近年来，深度学习在医学图像分析领域取得了显著进展，特别是在卷积神经网络（CNNs）和 Transformer 模型方面。然而，CNNs 在捕捉长距离依赖关系方面存在局限性，而 Transformer 模型则面临较高的计算复杂度。为了解决这一问题，我们提出了一种新型模型——RWKV-UNet，该模型将 RWKV（受纳加权键值）结构集成到 U-Net 架构中。这种集成增强了模型捕捉长距离依赖关系的能力，并提高了上下文理解水平，这对于准确的医学图像分割至关重要。我们构建了一个强大的编码器，采用了开发的倒置残差 RWKV（IR-RWKV）块，将 CNNs 和 RWKVs 结合在一起。此外，我们还提出了一个跨通道混合（CCM）模块，以改进跳跃连接并实现多尺度特征融合，从而达到全局通道信息的整合。在包括 Synapse、ACDC、BUSI、CVC-ClinicDB、CVC-ColonDB、Kvasir-SEG、ISIC 2017 和 GLAS 等基准数据集上的实验表明，RWKV-UNet 在各种类型的医学图像分割任务中达到了最先进的性能。此外，较小的变体 RWKV-UNet-S 和 RWKV-UNet-T 在准确性和计算效率之间实现了平衡，使其适用于更广泛的临床应用。