脑部多发性硬化症(multiple sclerosis,MS)是一种常见的中枢神经系统疾病,主要症状为四肢麻木和眩晕,严重可能导致中风、视觉功能障碍等,通常发生于大脑白质组织当中。脑部核磁共振成像(Magnetic Resonance Imaging,MRI)技术具有高分辨率、对人无辐射等优点,成为目前临床诊断MS的主要手段。将MS病灶从MRI图像中分割出来,能为后续病灶重建、体积估算、病程评估等建立基础。然而,由于MRI图像的3D多断层特性,影像专家在手动分割多发性硬化症病灶组织时耗时耗力,并且具有主观不确定性。因此,研究一种用于脑部MS病灶自动分割的算法,对于MS的计算机辅助诊断具有重要意义。本文提出了两种不同的分别针对2D和3D图像的MS分割方法。针对2DMRI断层图像,提出一种基于最大类间方差的方法,利用差分搜索算法的快速寻优特性,得到最优阈值对脑组织进行分割,进而在白质的分割结果上进一步分割出MS病灶组织。该方法在Brainweb仿真MRI图像数据集中进行了实验,获得了较好的实验结果,DSC均值可以达到92.41%,并且具有很好的稳定性。此外,针对真实的3D MRI图像,本文提出一种基于3D卷积神经网络(Convolutional Neural Network,CNN)的算法。该算法是基于两个相同结构的卷积神经网络的级联。其中第一阶段CNN分割出可能的候选病灶体素,而第二阶段CNN用来减少第一阶段错误分类的体素数量。MS病灶在脑部所占体积较小,健康体素远远大于病灶体素,这造成了训练数据不平衡。为了解决数据不平衡问题,我们在第一阶段的网络训练中选择与病灶体素相同数目的健康体素进行训练。此外,在训练网络时由于脑部MRI数据较少,我们采用数据扩充的方法来解决过拟合问题。该算法在MICCAI 2008和MICCAI 2016的MS病灶分割挑战赛数据集上进行了实验,取得了很好的结果。在病灶体积大于5ml时,DSC均值可以达到70%,具有较高的灵敏度和合理假阳性率,且VD差异值最低,综合性能指标效果优于前人提出的EM、RF和2D CNN方法。