头颈部癌症是常见的癌症类型。图像引导的放射治疗是头颈部癌症最有效的治疗方法。放疗计划的制定需要在计算机断层扫描图像（computed tomography,CT）中勾画危及器官（organ-at-risk,OAR）。临床医生手动勾画OAR,耗时耗力,且主观。深度学习是近年来火热的一种机器学习方法,该方法能根据数据自动提取有意义的特征。有研究利用深度学习方法实现头颈部OAR分割,并展现出优异的性能。然而,这些研究大都忽略了解剖先验知识在分割中的重要引导作用,且网络参数量大,占用计算资源多,计算时间长,不利于实际临床部署。因此,我们拟基于深度学习方法和解剖先验知识,设计轻量化的网络实现快速准确的头颈部OAR分割。我们提出了一个参数量较少的三维级联分割网络实现快速、准确的头颈部OAR全自动分割。首先选择一个头颈部模板并确定各个OAR的体积,然后设计一个配准网络将OAR模板与待分割图像进行配准,以实现OAR的定位,并通过重心距离损失提高定位精度。我们设计了一个感兴趣区（region of interest,ROI）选择层,利用配准结果和OAR的体积信息裁剪不同ROI,并输入至三维多视角分割网络实现OAR的分割;同时,通过加入ROI分类支路,提高分割精度。我们还利用上下文信息,进一步提高分割准确率和减少定位偏差。最后,我们利用形状信息修正分割结果,并利用中值滤波和空洞填充进一步优化分割结果。我们基于两个数据集验证了所提出方法的分割性能。在文献中常用的MICCAI2015数据集上的平均Dice相似系数为79.1%,平均95%豪斯多夫距离为3.5 mm。分割一例患者需要3.5秒,模型总参数量约160万。经验较少的医生基于我们的分割结果勾画一例患者9种OAR需要3分钟,大大少于完全人工勾画所需的20～30分钟。上述结果表明,我们成功提出轻量化的模型,实现了快速准确的头颈部OAR自动分割,一定程度上辅助医生进行快速、准确的OAR勾画。所提出方法有望在未来能够真正辅助临床医生进行OAR勾画,减轻医生的负担,提高靶区的勾画效率和准确度。