输尿管软镜碎石术是一种有效地治疗肾结石的微创手术。肾脏以及肾盂肾盏的解剖结构会极大地影响手术的清石率。精准的解剖结构参数测量需要基于计算机断层扫描尿路造影成像（Computed Tomography Urography,CTU）的肾脏的三维分割与重建。随着大量医学影像数据的增加以及高性能计算设备的出现,研究人员提出深度全卷积神经网络并对其不断地优化。它已经在图像分割、目标检测与识别等任务中取得了令临床医生满意的结果。相比较而言,传统算法无法有效地且自动地从大量数据中学习丰富的特征。因此,本文研究基于深度全卷积神经网络的CTU肾脏分割,以实现肾脏的三维重建,进而辅助医生精准地测量参数。针对在无CTU肾脏标注情况下,由CT数据训练得到的三维全卷积神经网络（Fully Convolution Neural Networks,FCNNs）无法精确地感知 CTU 中的肾脏区域的问题,本文提出了一种基于无监督域翻译以及对抗学习的CTU肾脏分割算法。该方法利用循环一致性损失函数以及对抗学习来缩小CT与CTU数据分布差异,生成类CTU数据来训练分割网络。该方法在CTU测试数据上实现了平均Dice系数0.910。这个实验结果证明该方法能够在没有使用CTU的肾脏标注信息的情况下实现比有监督的三维FCNNs更好的肾脏分割结果,并且高于其他基于无监督域翻译的分割方法的平均Dice系数。针对二维FCNNs无法有效地学习CTU切片之间的上下文特征,以及在有限的训练数据情况下,二维、三维的FCNNs容易出现过拟合,本文提出了一种基于时空FCNNs的CTU肾脏分割算法。该方法使用深度残差网络作为编码器,并使用多个具有时空表征能力的卷积LSTM模块组成解码器,其中编码器的初始化权重是从自然图像训练得到。该方法在CTU测试数据上取得了平均Dice系数0.946,平均ASD 0.985,平均假阳性率0.0004838。这些实验结果表明该方法能够捕获CTU切片之间的空间信息,并有效地缓解过拟合。