脑卒中作为发病率、致残率、死亡率和社会资源消耗均高的脑血管疾病,严重影响国民健康。实现对脑卒中的筛查干预、诊断治疗及预后管理极为重要,现阶段临床诊断脑卒中病灶区域的有效方法是计算机断层扫描和磁共振成像。但目前,对于病灶的大小识别、轮廓分割等工作主要依赖于神经内科专家进行。手动分割的工作极易受到专家的技术水平和主观经验的影响,巨大的工作量也带来了极大的负担。因此为了减轻专家的就诊压力,提升诊断效率和对患者诊断的准确性,采用人工智能技术辅助脑卒中病灶分割已成为当前的研究热点。本文采用深度学习算法,通过将循环神经网络结构引入卷积神经网络中,在保证算法可运行的同时学习更多特征,从而提升模型的分割精度。本文面向不同类型的脑卒中数据集,研究用于脑卒中数据分割的深度学习模型。详细的研究工作如下:针对两个不同的脑卒中数据集开展数据处理工作,为后续的模型分割做好数据准备。针对公共数据集,结合本文模型的输入特点,对ATLAS进行图像格式转换、数据标准化处理、裁剪与重采样和生成二维切片处理的数据预处理工作;针对自建数据集,需完成CP-CTA的数据采集、标注工作,从而得到真实标签。然后进行图像格式转换、数据标准化处理、裁剪与重采样、生成二维切片和数据增强的数据预处理工作,使其适用于本文模型输入。卷积神经网络无法利用医学影像数据间的时序相关性,存在特征利用率低的问题。循环神经网络可用于序列数据,但无法进行特征提取。传统2D分割方法无法利用医学影像的空间上下文信息,而3D分割方法虽具有空间上下文感知能力,但其模型参数量过大、消耗计算资源过多。基于上述问题,提出一种基于双向循环U-Net模型（BIRUNet）的脑卒中病灶分割方法。首先,引入循环神经网络结构,将改进的注意力卷积门递归单元（ACGRU）替代U-Net中的部分卷积层;其次,采用双路融合训练机制,将单一视面的正向、反向的切片数据同时输入BIRU-Net,并在模型前向传播过程实现双向特征融合,有效利用序列数据的历史信息和预测信息;最后,将各单一视面的分割结果进行再融合,有效利用数据的空间上下文信息。对于ATLAS数据集的实验结果表明,所提方法的DSC值达到了62.58%,比U-Net模型（冠状面取得最优值）提高了11.77%;对于CP-CTA数据集的实验结果表明,所提方法的DSC值达到了60.46%,比U-Net模型（横截面取得最优值）提高了10.20%。上述结果均证明了此方法能较为准确地分割出病灶区域。为了实现对医学影像更为精准的分割,关注显著目标区域、抑制非目标区域。提出一种基于注意力循环U-Net模型的多视面双向融合的病灶分割方法。首先,注意力循环U-Net模型为基于卷积门递归单元（CGRU）的U-Net分割预测模型,使分割模型既适用于小规模标注的医学影像数据集,又具有长时记忆特性;其次,注意力循环U-Net模型添加注意力门模块,使得训练过程中能够突出显示对任务学习有用的特征,学习抑制输入影像中的不相关区域;最后采用多视面双向融合策略,使用注意力循环U-Net模型训练三个视面、正反序列方向的六个数据子集,并将预测结果进行融合,从而既利用了切片序列的双向依赖性,又实现了对3D上下文信息的利用。实验结果表明,将所提出的方法用于ATLAS数据集其DSC值达到64.70%,与现阶段先进方法相比有所提升;用于CP-CTA数据集其DSC值可达到64.87%。两个数据集的分割结果与双向循环UNet模型相比,分割性能均有明显提升,证明了此方法的鲁棒性和精确性。