脑是人体重要的器官,对人的生命健康起到至关重要的作用。在医学成像技术中,磁共振图像（Magnetic Resonance Imaging,MRI）具有高分辨率、辐射小等优点,因此被广泛应用于医疗诊断与治疗。脑图像分割在脑疾病的诊断、病理组织的定位和治疗方面具有重要的指导意义。因此,实现脑MRI的自动分割对医学辅助诊断具有重要的指导意义。本文的研究目标是将脑MRI中的脑脊液、灰质和白质三种组织液实现自动精准分割,为医学诊断与治疗提供帮助。深度学习中的有监督学习在图像分割领域已经实现非常好的结果,但是对于大量有标注数据的依赖限制了其应用场景。因此,本文提出一种无监督学习的方法,结合超体素的局部同质性和深度子空间聚类的非线性变换,对三维脑MRI中的脑脊液、灰质和白质三种组织实现分割。首先,使用超体素生成算法获取三维脑MRI的超体素,并提取多尺度特征对超体素进行表示。与传统基于体素方法相比,将数量巨大的体素转化为数量较少的超体素,可以大大降低后续的处理时间。然后,使用深度子空间聚类模型将超体素聚类到不同的组织类别。最后,将超体素的聚类结果映射到原始图像中获得组织分割结果。不同于以往的子空间聚类,本文的模型同时学习特征的非线性变换和自表达系数,提高了聚类结果的准确度,进而获得良好的脑组织分割结果。为了进一步提高分割结果,本文借助于超体素的聚类结果信息对深度子空间聚类模型进一步改进,提出基于自我监督深度子空间的超体素聚类模型,提升脑组织分割精度。每次迭代,该模型将聚类的结果用于监督自表达层和特征提取层的学习,提高自表达层系数的准确度。在监督自表达层时,聚类结果使得自表达矩阵中不属于同一类的超体素间系数趋于零,消除不相关超体素的影响。另一方面,在编码器后面加上分类层,以聚类结果作为“弱标签”,监督网络提取非线性特征。这种自我监督机制,给网络增加了两个损失函数,并统一到总的目标优化函数中。相比于深度学习中有监督学习方法,本文提出的方法在不依赖于标注图像的情况下,完成脑MRI分割,增大了其应用场景。为了验证本文方法的有效性,本文在IBSR18和Brain Web20两个数据集上进行了实验。结果表明,本文的方法能将脑MRI中的三种组织进行有效分割,相比于其它方法,分割效果得到显著的提高。