直肠癌（Rectal Cancer,RC）放疗临床靶区（Clinical Target Volume,CTV）勾画是临床放射治疗的关键性步骤。在实际临床中,医生通常根据直肠癌放疗临床靶区勾画准则进行手动勾画,手动勾画耗时久,这大大增加了医生的工作量。随着计算机技术的发展,深度学习日渐成熟,自动化直肠癌放疗临床靶区勾画成为热门的研究方向。因此,将直肠癌放疗临床靶区勾画准则与深度学习相结合来提高自动化放疗临床靶区勾画的精度是本文的重点研究内容。本文以直肠癌患者的腹部CT（Computed Tomography）图像为研究对象,构建了一种融合了上下文信息,基于图像分类和周边组织边界的双重注意力模块和基于靶区轮廓的拓扑结构学习的深度学习网络框架。首先,本文将三维图像按水平位进行切片,将二维图像作为本文的研究对象。二维图像上体素点的特征不仅和当前图像上相邻体素点的特征相关,还和上下层二维图像上相近体素点的特征相关。为了融合不同层二维图像上下文之间的信息,本文采用二维卷积对每层的二维图像进行层内特征学习,并通过一维卷积对多层二维图像进行层间特征学习。其次,基于所有的二维图像并不是都存在直肠癌放疗临床靶区的特点,二维图像可以被分为包含靶区图像和不包含靶区图像。并且根据直肠癌放疗临床靶区勾画准则,放疗临床靶区边界是基于周边组织边界定义的。基于上述两个特点,为了帮助网络有侧重的学习包含靶区的二维图像的特征,重点学习与靶区边界密切相关的周边危及组织边界上的体素点的特征,在框架中采用了基于图像分类和周边组织边界的双重注意力模块。最后,传统的卷积操作对图像上的所有体素点采用相同的计算特征方式,为了进一步针对靶区边界上的节点进行特征学习和利用边界拓扑结构,本文采用了基于图卷积的靶区边界拓扑结构与特征学习模块,对多层靶区边界上的节点进行特征学习,学习层内靶区的轮廓和层间靶区边界的变化趋势。为了评估本文构建的基于组织先验的直肠癌放疗靶区勾画方法的性能,本文在山东省肿瘤医院提供的64例直肠癌患者CT图像数据集上进行了实验。对实验结果进行定性比较和定量分析,表明本文构建的方法能够取得比别的方法好的直肠癌放疗临床靶区勾画结果。