前列腺癌是男性第二常见的恶性肿瘤,仅次于肺癌,在发达国家的发病率更高。前列腺癌早期可能无症状,病程缓慢,只有在癌症进展时才会出现症状。因此,如果早发现、早诊断、早治疗,治愈率可以大大提高。前列腺癌的诊断和治疗主要采用MRI图像检测技术,其中许多问题包括腹部MRI中前列腺的准确性和自动分割,这对临床应用至关重要。目前,大多数现有的前列腺分割方法都是通过一系列的程序进行的,每一步都需要手动经验参数调整,且存在分割效率低和精度低等问题,为此,研究有利于计算机辅助诊断、适用于有限样本图像集的全自动算法是非常有意义的。此外,由于存在腺体边界模糊,分割不足或过度等问题,以及大数据处理的需要,研究前列腺MRI图像分割的深度学习方法非常必要,尤其是生成性对抗网络（GAN）由于其灵活的结构和强大的功能,已逐渐应用于各种图像处理任务。为此,本论文针对上述问题开展了以下工作。（1）基于随机游走算法的前列腺MRI图像分割研究。为解决分割效率低、轮廓不完整、分割泄漏和偏差大等问题,并适应于有限的图像集和全自动处理,提出一种改进的随机游走算法,即多图谱RW进行图像分割,其算法步骤如下:选择具有可见前列腺轮廓的切片,生成其真值（正确的标注值）,用于图谱和多图谱生成。在此过程中,真值图像被采样成相同的像素大小和图像大小,然后,所有真值图像被叠加到一个单独的图像空间中。在堆叠过程之后,在该图像空间中生成概率图,并选择两个概率级别来提取内部种子（前景种子）和外部种子（背景种子）。生成的种子被作为随机行走算法的自动种子。通过实验分析,将提出的多图谱RW与图谱RW的和基本RW进行比较,并使用形状相似性进行评估,平均Dice相似系数（DSC）分别为0.72、0.62和0.52,平均Jaccard相似系数（JSC）分别为0.71、0.62和0.54。同样使用距离和体积差进行评估,Hausdorff距离（H）分别为4.87、5.93和5.89,相对体积差（RVD）分别为0.36、0.48和0.57。研究结果表明提出的多图谱RW是切实可行且行之有效的。（2）基于生成对抗网络（GAN）的前列腺MRI图像分割研究。为克服腺体边界模糊,前列腺内组织的异质性导致的分割不足或过度,以及患者或病理学之间的生理差异等问题,并适应于大数据图集处理,提出一种基于端到端深度学习生成对抗网络（GAN）的前列腺分割模式（PGAN）,其任务是区分结构分割过程中使用的真值掩模和分割掩模,具有EM距离的生成对抗网络（GAN）进行像素级语义分割。然后将PGAN模式应用于四种不同的GAN结构,即带有基本鉴别器的PGAN、带有早期融合网络的PGAN、带有回归网络的PGAN和带有乘积网络的PGAN。在实验分析中,使用Dice相似系数（DSC）、Jaccard相似系数、相对体积差异（RVD）和Hausdorff距离（H）等多种指标对前列腺分割进行比较,并在一个数据集上进行评估,该数据集包含493个磁共振成像作为训练数据,98个磁共振成像作为实验测试数据。研究结果表明,所提出的带回归网络的PGAN的DSC平均值为0.97,JSC平均值为0.97,RVD平均值为0.01,H平均值为2.93。显然,它优于基本GAN和随机Walker等分割方法,是一种适合大数据处理的分割方法。