磁共振成像（MRI,Magnetic Resonance Imaging）是一种利用射频脉冲对磁场中的氢原子核进行激励,再利用感应线圈采集信号进行图像重建的方法。由于磁共振成像辐射小、对软组织有很好的分辨力,已经被广泛用于临床检查和疾病的诊断。对MRI图像进行准确的自动分割对临床诊断以及科学研究都有重要意义。近年来,深度学习技术在图像处理领域取得了非凡的成果,在医学图像的处理和分析中也得到了广泛的研究和应用。在众多的医学图像处理任务中,深度学习方法都胜过了传统的算法,其中全卷积神经网络成为了图像语义分割的主流方法。这类方法虽然效果很好,但是需要大量带标签的数据作为监督信息指导神经网络进行训练,在标签数据不足的情况下,深度学习方法反而难以获得好的效果。医学图像的标注需要具备专业知识的专家完成,因此标签的获取成本很高。考虑到个体之间同一组织的结构具有很高的相似性,本文提出了一种基于超体素匹配的磁共振图像分割方法。仅需要一个带分割标签的数据作为参考图像,通过匹配的方式实现其他图像的语义分割。本文提出的框架包括四个模块:超体素生成、超体素特征提取、超体素特征学习、超体素特征匹配。首先,对参考图像和待分割图像生成数量一致的超体素,超体素是图像中位置相邻且特征相似的体素组成的图像块,相比于逐体素的匹配,基于超体素匹配可以减小算法的输入规模,减少算法的处理时间。然后,提取超体素的特征,本文的研究使用灰度直方图作为超体素本身的特征,提出了结构化张量特征描述局部邻域特征,提出了关键点空间先验特征作为全局特征。之后,将参考图像和待分割图像的超体素作为结点构建图拓扑结构,本文研究提出了散射图卷积网络进行超体素特征的学习。最后使用学习到的超体素特征进行匹配,得到待分割图像超体素的类别,将超体素级别的类别标签映射到体素级就能得到最终的图像语义分割结果。为了评估本课题提出的磁共振图像分割方法的性能,本文选取了IBSR18和MRBrain S18两个公开数据集,通过定性比较和定量分析对本文提出的方法进行了验证,并且与其他的分割方法进行了对比。实验结果表明本文提出的方法在仅有一个标注图像的情况下可以取得良好的分割结果。