鼻咽癌是来源于鼻咽上皮细胞,好发于鼻咽腔顶部和侧壁的恶性肿瘤,为我国高发恶性肿瘤之一。作为鼻咽癌肿瘤的主要治疗手段之一,放射性治疗（简称“放疗”）根据病患医学诊断影像中勾画的肿瘤区域对人体组织的精确局部进行射线治疗,其治疗效果高度依赖医学诊断影像中肿瘤区域的勾画精确度。目前临床上肿瘤区域勾画都是由放射科医生手动完成,这会耗费医生大量的时间与精力,且勾画精度严重依赖于医生的经验。如何自动、精确、快速地勾画出鼻咽癌肿瘤区域一直是临床上亟待解决的问题。随着人工智能的快速发展,卷积神经网络在计算机视觉多个任务上取得了重大突破,这为鼻咽癌肿瘤自动分割带来了曙光。本文聚焦鼻咽癌病人CT数据,希望通过深入研究各种现有的语义分割框架,结合鼻咽癌肿瘤本身的特点,给出一个具有临床应用价值的鼻咽癌肿瘤分割模型。目前医学图像分割问题大部分以U-net框架为基准模型,但传统的U-net框架在分割时对所有肿瘤一视同仁,忽略了肿瘤中不同区域之间的差异性。鼻咽癌肿瘤位于大脑内部,周围组织器官复杂,从CT图像上可以明显看到鼻咽癌肿瘤已经侵犯到周围的软组织、骨头、鼻腔、上颚中。如果将所有肿瘤区域统一看待进行分割,则会损失很多信息,并且带来噪声。基于这种观察,本文在U-net的模型框架上,提出了一种区别对待鼻咽癌肿瘤中骨组织和软组织的多任务学习框架,将鼻咽癌内部结构存在差异这一先验信息进行建模。本文研究的数据集含有628个鼻咽癌病人,随机划分之后,训练集含有442个病人,验证集含有86个病人,测试集含有100个病人。通过在训练集上训练本文提出的多任务学习模型,本文发现区别对待鼻咽癌肿瘤中的骨组织和软组织能明显改善最终分割精度。其中平均Io U最高达到72.82%,特别是模型的查准率得到了大幅提升,平均查准率最高达到78.31%,这表明模型很适合于鼻咽癌肿瘤附近有重要器官或组织的情景。结合鼻咽癌所处位置,周围关键组织比如眼睛、下垂体等较多,一旦模型预测出的肿瘤区域存在较大的“误杀”区域,会给病人带来不可逆的风险。因此本文提出的模型能有效满足临床应用场景。