医学影像分割是医学影像分析的核心任务,随着计算机技术及人工智能的发展与普及,医学影像分割潜在的应用价值受到了广泛的关注,脊柱分割作为医学影像分割中一个重要的方向,在临床实践中,退行性脊柱疾病方面的治疗更多的还是依赖于医生的经验,虽然现有的脊柱分割方法在无偏且数据集数量较大的条件下表现良好,但是在真实条件下,由于影像数据收集难度较大及收集过程中病人个体因素,导致不同脊柱类别样本数量不均衡,进而限制了现有方法的泛化能力。因此,本文研究从条件对抗生成网络生成对应类别较少的样本,再通过多尺度和注意力机制结合的方式,来实现精准的脊柱多类别分割。本文的主要研究内容如下:（1）针对数据集存在类别不均衡的问题,提出使用条件对抗生成网络,通过约束图像生成的方向,对数据集中不均衡的样本进行生成。为了验证生成数据的有效性,使用U-Net分割网络对比生成前后数据集的分割结果。实验证明,所提方法平衡了不均衡数据分布中每个类别的特征表达,可有效提升MRI脊柱分割的准确率。（2）针对单一多尺度方法重复的提取低层特征导致特征信息冗余和长距离的特征没有被有效建模的问题,提出基于正则化约束的多尺度注意力分割模型,通过多尺度注意力模块集成局部特征与其相对应的全局依赖关系,捕获更丰富的上下文依赖;通过在编码器输出部分引入变分自动编码器分支,缩小重建特征和输入特征之间的差异,引导编码器产生更加丰富的潜在特征信息,抑制不相关的信息。实验结果表明,所提方法与主流的分割网络相比,具有明显的优势,实现了脊柱多类别的精准分割。（3）以基于正则化约束的多尺度注意力MRI脊柱多类别分割方法为理论依托,以简洁、易用为原则,设计一个MRI脊柱多类别三维自动分割系统,协助医生快速、直观并清晰的查看病患椎体的情况,同时为后续建立3D脊柱结构模型提供基础,并且最终可以为患者找到适合的治疗方案。