基于深度学习的卷积神经网络在目标图像检测与识别、图像语义分割领域有着突破性进展。本文分别就医学图像的目标区域检测、分割进行详细地探讨,并深入地挖掘病理图像内部存在的相关性。颅脑MR图像中对目标区域三叉神经的检测是对颅脑内三叉神经区域疾病诊断的重要依据之一。目前,常见的医学图像检测算法为对医学图像中某一组织的边缘、轮廓进行检测或增强,鲜有对颅脑MR图像中三叉神经区域的自动检测的研究。传统的阅片识别三叉神经的方法是通过医生人工地在一组颅脑MR中寻找有三叉神经的颅脑层面并对其位置进行标定,这样的方法耗时又耗力。针对以上问题,本文利用深度学习技术对颅脑MR图像中三叉神经区域自动探测进行了相关研究。腹部横断位CT图像中的直肠癌肿瘤的分割对早期的直肠癌诊治、判断病灶浸润与转移情况及预后临床治疗有一定地参考价值。由于直肠癌肿瘤图像数据有着复杂的病灶特征和较为抽象的规则表达,高质量的标注数据相对较少,如何针对以上问题对腹部横断位CT图像进行分割、以及判断肿瘤与直肠癌淋巴结转移之间的存在的联系,挖掘临床数据结合影像组学特征对直肠癌淋巴结转移的影响是本文关于直肠癌淋巴结智能判断的另一主要研究内容。本文的主要内容分为两个部分:1)本文采用YOLO网络用于自动检测出颅脑核磁共振图像的三叉神经区域,然后利用C-V模型实现三叉神经的快速分割。为提高推理速度,本文进一步系统性的评估了 NVIDIA TensorRT框架在不同计算平台下的推理性能。2)针对腹部横断位CT图像的直肠癌肿瘤分割,设计了基于3D CNN的CT直肠双期下多尺度的直肠癌肿瘤分割网络模型,此模型采用三维图像的输入,利用直肠CT的动脉期及门脉期的双期小样本数据集的多尺度的输入通过三维卷积实现了直肠癌肿瘤的分割,并利用分割出的直肠癌肿瘤图像分析肿瘤图像与肿瘤淋巴结转移之间的关联性。同时分析肿瘤区域影像组学特征、整体图像特征与淋巴结转移之间的关系,构建分类器模型,后对分类结果进行了对比分析,并评估不同分类器模型对直肠癌淋巴结预测的有效性。通过对以上两个内容的研究的实验结果表明:1)通过YOLO目标检测网络为颅脑三叉神经区域的自动分割提供了良好的初始轮廓基础,为基于C-V模型的三叉神经精准分割及分析提供了可靠的输入图像。同时在NVIDIA TensorRT框架下,当输入的颅脑MRI图像分辨率为（204 x 204）时,经过优化后的三叉神经目标检测最优的YOLOv2网络在CPU平台、嵌入式GPU平台和桌面GPU平台及专业GPU计算卡平台下的每秒帧率分别为0.1 FPS,23.4 FPS和793.7 FPS。这为后续开发便携式的三叉神经分割设备提供了可参考的重要依据。2)基于3D CNN的CT直肠双期下多尺度的直肠癌肿瘤分割取得了较好的分割效果,最终的分割准确率在90%以上,为淋巴结转移的判断提供有力的参考价值,在直肠癌的术前诊断上有很强的优越性。通过对比基于机器学习SVM、Logistics、决策树、朴素贝叶斯分类器与基于卷积神经网络对直肠癌淋巴结预测结果,结果显示基于卷积神经网络的分类模型表现最优,其在测试数据集上达到74.23%的识别准确率,表明卷积神经网络提取出的图像的特征较为丰富。可以为直肠癌淋巴结转移提供智能化的判断。