在临床医学中常用计算机断层扫描CT技术辅助医生诊断治疗,其中器官的定位和分割方法发挥了重要作用,但基于人工标注的传统方法费时费力,无法广泛应用到临床诊疗过程中。近年来兴起的深度学习技术可以应用到医疗领域,实现器官的自动定位和分割,进而大幅提升医生的工作效率,在实践中具有重要意义。本文从CT影像中器官的定位和分割两个方面分别进行研究,将人体解剖结构特征嵌入到算法模型中,利用深度卷积神经网络的强大特征提取能力,分别设计了端到端定位和分割网络,从而实现了器官的精准定位和分割。在器官定位方面,本文设计了一个以三维卷积网络为基础的深度学习模型。该模型基于人体解剖中各人体结构之间的位置关系,通过对任意输入的影像块进行特征提取与分析,实现对目标器官相对位置的回归预测。此外,为了提高预测精度,提出了多密度采样和迭代搜索策略,在训练时提高目标器官附近区域的采样密度,增强近距离局部块对目标器官的预测能力;在预测时迭代搜索目标器官位置,实现由远及近、由粗到细的精确定位。在器官分割方面,本文采用了先定位后分割的框架思路,在上述定位网络的基础上添加了分割分支,利用距离目标器官不同远近的影像信息调整定位分支与分割分支的训练比重,从而实现两个任务相互促进的端到端训练过程。在测试阶段,通过定位分支获取目标器官的感兴趣区域,再利用分割分支对提取到的感兴趣区域进行精细分割。该网络可以在效降低感兴趣区域外假阳性的同时减少计算及显存消耗,此外,由于在一个端到端网络同时实现定位与分割两个任务,利用多任务学习过程中相互促进,提升网络的学习能力,进而提高了该网络的分割准确性。本文在多个公开和私有数据集上验证了所提出的定位模型和分割模型,并与目前主流的同领域工作进行了对比,在Dice、m Io U等多种量化评价指标中均达到了较高水平,进一步验证了本文所提算法的有效性。