基于计算机视觉技术实现计算机断层扫描（Computed Tomography,CT）影像中小器官的高精度分割,在临床医学诊断、计算机辅助诊断、手术规划等方面有广泛的应用价值。本文通过对腹部CT及小器官特点进行分析,提出高精度的腹部CT小器官分割算法。本文具体的研究内容有:（1）为了实现腹部CT胰腺的自动分割,本文提出基于编码器解码器网络的腹部CT胰腺自动分割算法。根据编码器解码器网络结构的特点,通过使用深度残差网络ResNet-50增强网络提取的语义特征的方式,设计出基于编码器解码器网络的腹部CT胰腺全自动分割算法。实验结果说明该算法摆脱对医生手动勾画感兴趣区域的依赖,实现腹部CT胰腺的全自动分割。（2）为了解决分割结果与标签之间存在严重的过分割与欠分割问题,本文提出基于压缩采样的编码器解码器网络的腹部CT小器官分割算法。通过定义压缩矩阵和重建矩阵,建立压缩采样模型,该算法以压缩采样代替反卷积上采样或双线性上采样的方式改进编码器解码器网络。在训练过程中,改进后的网络通过压缩矩阵提取含有小器官结构和形态信息的冗余特征,特征经过重建矩阵的变换有效地恢复出器官的空间信息。将上述分割算法用于胰腺、胆囊、右肾上腺和左肾上腺的分割,实验结果说明嵌入压缩采样的编码器解码器网络能够有效地保留小器官的高解剖变异性。（3）为了进一步提高腹部CT小器官的分割精度,本文提出基于位置先验增强语义特征的腹部CT小器官分割算法。该算法通过分阶段训练分割网络的方式,使得网络在预训练阶段从标签空间中感知器官的位置先验知识。在对分割目标实现精准定位的基础上,以位置先验增强分割网络的语义特征,进一步对其进行细粒度的分割,抑制不一致性的粗分割现象,提高算法分割精度,保证分割结果与标签的形状一致性。将上述算法在NIH数据集上进行胰腺器官分割实验,最高戴斯系数达到了87.69±3.18%。在ISBI 2015 VISCERAL挑战赛数据集上进行小器官分割实验,胰腺、胆囊、右肾上腺和左肾上腺器官的最高戴斯系数分别达到了72.17±11.30%、80.11±10.13%、64.48±12.27%、58.81±14.06%,均超过对比算法的分割精度。