计算机断层成像（Computed Tomography,CT）为临床常用的影像技术之一,CT图像中精确的器官分割为疾病的诊断和定量分析、手术规划导航、治疗效果监测等多种临床工作提供重要依据。目前临床上经常使用的手工分割方式需要花费医生大量的时间和精力,因此临床医生迫切需要发展自动分割方法以快速获得精确的分割结果,提升分割工作的效率。在器官自动分割的诸多问题中,有监督的分割算法构建和分割质量评价是其中的两个关键环节。针对这两个环节,国内外研究者们展开了一些研究,但依然存在如下问题:1)在分割算法构建方面,由于数据来源的局限性问题和手工标注工作的高成本问题,难以获得大规模的标注数据,无法对个体差异进行全覆盖。因此当目标图像与训练数据集具有较大差异时,分割模型容易失效,产生明显的分割错误。2)在分割质量评价的数据标注方面,由于医学图像的模糊性以及标注者在标注方式上的差异性,手工标注存在不精确的问题,再加上手工标注的高成本问题,无法满足分割算法在临床评价中对大规模高质量标注数据的需求。3)在分割质量评价的评价指标方面,常用的分割评价指标只能反映自动分割与手工标注间某种类型的偏差,并且同一指标数值对于大小、形状、重要性不同的器官也具有不同的临床满意度含义,无法直接和全面地反映分割结果在临床中的实际可用性。本文基于头颈部及胸部CT图像对上述问题展开研究,主要工作和创新结果如下:（1）提出基于局部最佳匹配图谱的器官分割方法。通过局部区域的相似度比较,为目标图像的不同区域分别寻找最佳匹配的图谱,实现局部区域的识别,并对已有数据集中包含的模式进行扩展,解决有限数据集无法覆盖人类群体中个体差异的问题。该方法通过两阶段的识别过程,选择精准图谱子集并实现对目标结构的精确定位和模糊分割,再结合深度学习方法对模糊分割进行精细化改进,实现对目标器官定位和轮廓匹配的逐步细化过程。（2）提出计算机辅助标注的策略选择方法。针对不同目标器官以及不同辅助标注策略,确定达到手工标注精度的情况下手工标注可达到的最优稀疏度,实现标注工作量的最大节省,解决数据标注中存在的成本高和不精确问题。该方法可为自动分割算法的有效性评价提供大规模高质量的标注数据,并进一步定量分析了标注差异对分割质量评价造成的影响。（3）提出基于临床满意度的分割评价指标线性化方法。通过为不同目标器官和评价指标构建指标-满意度关系并计算校正参数,实现评价指标的线性化调整,解决评价指标无法直接反映实际临床满意度的问题。该方法可以增强评价指标与临床满意度间关系的线性度,且能提升不同器官间评价指标满意度含义的相似性。（4）基于胸部CT图像中的淋巴结区域和主要器官,对上述三个方法进行验证分析。验证基于局部最佳匹配图谱的方法在不同身体区域和不同类型的目标结构上具有广泛的可用性。验证由辅助标注方法生成的模拟标注在分割过程的可用性,并通过交叉实验分析标注差异对分割质量评价的影响。展示评价指标线性化方法的实际应用方式,通过比较分割评价指标数值在线性化前后的分布,分析分割方法在临床上的实际有效性和满意度。