人体脊椎是中枢神经系统中高度组织化和复杂的部分,在大脑和周围神经系统之间传递神经信号。由神经退行性疾病引起的运动神经元变性可能造成脊椎损伤,影响脊椎功能,导致各种脊椎疾病。脊椎疾病的严重程度和功能恢复的预后都高度依赖于组织损伤的部位和程度。因此,在临床上需要一种脊椎分割方法,能够在磁共振图像上评估和表征此类微结构的损伤程度,辅助医生进行脊椎疾病的诊断。现有针对脊椎的分割方法大多较为简单,在分割精度和细节上都有所不足,难以对脊髓内部组织进行精细分割。针对上述问题,本文采用了一种两阶段分割方法,将整个脊椎分割过程分成脊椎粗定位以及脊髓细分割两个阶段。首先根据脊椎形态学特征,利用传统图像处理方法进行脊椎粗定位,然后利用机器学习方法对粗定位后的脊椎图像进行细分割。在脊椎粗定位阶段,本文首先利用Sobel算子以及指数增强对MR脊椎图像进行边缘增强;然后,利用水平集算法提取边缘;最后,根据生物体脊髓呈现连续椭圆的形态学特性,利用霍夫变换确定图像中的脊髓区域,完成对于脊椎图像的粗定位过程。在脊髓细分割阶段,本文提出一种基于膨胀卷积双路金字塔结构模型（Double-Path with Dilated Pyramid-net,DPD P-net）完成对于脊髓的细分割过程。首先,该模型根据膨胀卷积和标准卷积的特性,构建双路卷积模块提取图像中不同感受野特征。其次,在双路卷积模块中引入金字塔结构,减少编码特征与解码特征的语义鸿沟。然后,在金字塔结构内部采用密集型跳跃连接进行特征融合,丰富解码器中细粒度高分辨的连续细节特征信息。并且,在两个金字塔结构之间增加双路融合模块,融合两个金字塔得到的不同感受野特征。最后,使用深度监督方式对整个模型进行训练,使得模型在面对不同复杂度分割任务时,能够选择合适的网络规模进行分割预测。验证实验结果表明,在比格犬数据集以及人体数据集上,本文所提出的模型在多个评价指标下都有良好的分割表现。其中,在DSC、IOU、PPV三个分割评价指标上表现优秀。可视化结果表明,本文提出的模型对于结构复杂的脊髓灰质区域在细节上的分割效果显著提升。