新生儿局灶性脑白质损伤是一种较为常见的脑部损伤疾病。在核磁共振图像中使用高效的自动化算法对该病灶进行语义分割,可以辅助医生对其进行分析,从而加快病情的诊断速度,以在第一时间内降低新生儿的发育风险,更好地改善预后的情况。现有的算法在分割该病灶时,往往需要多个序列的核磁共振图像,或者存在复杂的预处理步骤,病灶分割性能较为一般。本文中根据该脑部损伤疾病的特点,基于深度学习网络模型,逐步提出了三种高效的新生儿局灶性脑白质损伤语义分割网络。首先,本文提出了一种基于残差U型网络的语义分割模型。该模型主要由残差U型网络、图像块分割算法、焦点损失以及全连接条件随机场组成。使用残差U型网络可以自动地提取特征,避免了先提出假设后人工设定特征的不足。焦点损失则可以平衡前景与背景的损失大小,优化模型的训练过程。图像块分割算法可将输入图像分块送入模型,以缓解目标区域较小导致的正负样本数量不均衡的情况。全连接条件随机场则可以根据原始图像中的像素特征信息,对网络预测的病灶概率图进行像素级别的优化。最终该模型的性能超越了现有的相关算法。其次,本文基于通用的二阶语义分割网络,提出了一种基于精细化R-CNN的语义分割模型,并在该模型中提出了启发式的区域提取网络与轻量级的分割网络。其中,启发式的候选区域提取网络可以在提取出的候选区域中加入该区域周围的高维语义信息,使得后续的分类定位网络以及分割网络可以更好地对病灶区域进行处理。轻量级的分割网络在分割病灶区域时,其性能可以在参数量较少的情况下超越通用的分割网络模型。对比实验与消融实验的结果表明,各模块对模型的性能均有提升作用,使得最终模型的性能超越了其他相关算法。最后,本文提出了一种基于邻层特征融合CNN的局灶性脑白质损伤语义分割网络。该网络可以根据相邻图像切片中的相关特征信息对当前切片的分割结果进行优化,使得模型在区分病灶与干扰上有更好的表现。另外,本文还基于焦点损失,提出了一种自平衡焦点损失函数。该损失函数可以根据训练中的情况自动地调整各样本损失的权重大小,从而使得模型的训练效果得到改善,病灶分割性能得到提升。本文中提出的三个模型在分割新生儿局灶性脑白质损伤的整个过程中,均使用了T1序列的单模态数据,且预处理简单。随着实验的开展以及对该病灶更加深入的理解,本文提出这三种方法的性能依次增高。经过实验验证,本文提出的这三个模型均可以较好地分割出新生儿局灶性脑白质损伤的病变区域。