脑卒中是最常见的脑血管疾病,并且是全世界范围内造成死亡和残疾最常见的原因之一。对特定脑区的标记具有潜在的研究意义,这些标记可以潜在地提供包括病情评估之内的其他信息,以预测病人功能区的恢复情况（例如,运动,言语）和对治疗反应的可能性。此外,结合多种成像模式获得的影像能提供互补的多模态信息,但是直接使用未经配准的多模态影像不仅可能会使得计算机自动分割方法的性能受限,还会增加临床医生的阅片困难。对医学影像的多模态配准能帮助人们建立相同组织的各项性质关系,促进信息互补以做出更准确的判断。然而1)基于手动的特定脑区标记可能不再适合实际需求;2)目前尚未出现成熟的多模态配准方法。本文首先围绕目前MR影像脑卒中自动标记的问题,针对多尺度信息利用不足和二维三维网络的固有限制,提出了两个主要解决思路,分别是CLCI-Net和D-UNet。首先,1)由于目前研究对多尺度特征和上下文信息的利用不足,提出了CLCI-Net。我们开发了一种新的跨层特征融合策略（Cross Level Fusion,CLF）以充分利用不同级别的特征;CLF被进一步用于扩展ASPP,以应对各种病变尺度所面临的挑战;采用ConvLSTM代替了常用的空间堆叠操作,捕获了更多精细的结构以区分不同但视觉相似的组织。所提出的方法在开源数据集ATLAS上进行了评估,并与五种最新方法进行了比较,以57.8%的DSC得分位列第一。其次,2)在CLCI-Net取得良好成果后,我们认为2D结构忽略了MR医学图像的三维信息,而如使用单纯的3D CNN则需要大量的计算资源,不利于临床部署。为此,我们提出了一种维度融合架构D-UNet以应对这种挑战,该架构在编码阶段创新地结合了2D和3D卷积;我们还提出了一种称为增强混合损失（EML）的新损失函数,该函数能显著加速网络的收敛速度。所提出的体系结构DSC达到了59.2%,比2D网络具有更好的分割性能,并且显著降低3D网络所需参数。然后,为了解决临床多模态的配准问题,提出了一种新的基于深度学习的无监督配准方法,称为PGDC-Net,该方法通过学习预先训练好的仿射配准结果及对偶一致性的恢复策略,成功完成在MR FLAIR和DWI序列影像上的配准。该方法还评估了基于两种模态勾画的金标准在配准完成后的拟合程度,其DSC得分为77.7%,展示了模态融合有希望的结果。此外,一旦配准网络训练完成后,可以很容易的迁移到其他模态上。据我所知,本文所提出的方法是第一次在FLAIR和DWI模态上尝试配准的方法。总的来说,本文基于核磁共振脑卒中影像分析开发了新的病灶分割与无监督多模态配准方法,并在开源数据集ATLAS和贵州人民医院的采集数据上进行了验证。结果表明,我们所提出的分割与配准方法都达到了目前方法的最高性能。此外,经配准的多模态影像对脑卒中分割性能有潜在的提升空间,通过融合多模态影像,未来有希望得到更鲁棒的分割结果。这些结果都充分显示了我们的方法在脑卒中分析任务中具有竞争力的前景。