鼻咽癌是头颈部常见的恶性肿瘤之一,由于鼻咽癌位置特殊、对放疗敏感,目前鼻咽癌主要的治疗方式是放射治疗。在医学图像上勾画出肿瘤靶区是放射治疗的重要环节,其精准程度直接决定了放射治疗的效果。但是人工勾画靶区对临床医生来说会浪费大量的时间和人力,如何提高靶区勾画的效率是临床亟待解决的问题。目前许多研究者使用深度学习方法实现鼻咽癌靶区的自动分割,包括SegNet、UNet、UNet++等全卷积神经网络,但常见的网络以单一像素点为基本处理单元,忽略像素之间的联系,使分割结果受到一定影响。此外,由于医学图像中的目标区域面积较小、形状不一、结构复杂,给靶区自动分割带来了很多挑战。为了解决上述问题,本文主要从以下两个方面进行研究,目的是寻找一个合适的网络模型实现鼻咽癌靶区高效准确的自动分割。（1）基于生成对抗网络的鼻咽癌靶区自动分割研究。生成对抗网络包括用于分割的生成网络和用于分类的鉴别网络,生成网络用来生成鼻咽癌靶区勾画结果,鉴别网络用来判别输入的靶区图像与真实标签是否一致。在生成对抗网络的鉴别器中改变网络输入方式,并增加特征融合使其能学习到不同尺度的信息,加快网络收敛速度,有利于提取靶区关键信息。对抗训练能使网络分割结果更接近真实数据的分布,避免以单个像素点为单位进行处理时像素之间的信息缺失。本实验的目标数据集是从医院收集的130例鼻咽癌病X的CT图像,经过图像的预处理后使用不同网络训练和测试,证明提出的生成对抗网络相比于常用的全卷积神经网络,能有效提高鼻咽癌靶区自动分割的准确性。（2）基于2D-PE-Block的鼻咽癌靶区自动分割研究。我们提出了 2D-PE-Block结构,将该模块和生成对抗网络的生成器相结合形成一个新的分割网络2D-PE-GAN网络。在生成器每一次卷积和反卷积操作的最后加入该模块,使网络能关注到图像在不同维度上的通道特征,并为每个通道分配特定的权重,从而充分学习图像的特征信息。由于2D-PE-Block的工作原理和注意力机制类似,将其分别和加入不同注意力模块的生成对抗网络进行对比,结果显示该模块相比于自注意力模块,能在提高网络分割准确度的同时减少计算时间和计算资源的消耗。此外,将2D-PE-GAN 网络和注意力机制相关的全卷积神经网络进行对比,结果表明2D-PE-GAN网络可以重点关注图像信息,在自动分割鼻咽癌靶区任务中具有更好的性能。本文主要以生成对抗网络为基础实现了鼻咽癌靶区自动分割并提出2D-PE-Block优化网络结构。实验证明使用深度学习方法对鼻咽癌靶区自动勾画,不仅可以有效地提高靶区勾画效率,而且分割结果具有较高的准确度,为鼻咽癌靶区的自动勾画研究提供了一定的参考意义和研究思路。