海马位于人脑颞叶内,在人类的记忆与空间能力中扮演着重要的作用。大量的研究表明,海马萎缩与多种脑部机能障碍有关,例如阿尔兹海默症、轻度认知功能障碍等,且不同疾病各个子区萎缩程度不同。在临床上,提早发现海马结构及其子区的变化,对这些疾病的预防、诊断、治疗有着重要意义。但海马体积很小,对比度极低,且内部结构复杂,不同子区体积差距较大,使得准确分割海马及其子区极为困难。人工分割由于其高额的人工以及时间消耗,难以处理临床上大量的医学数据,因此,研究准确而快速的海马及其子区分割算法具有重要临床应用价值。基于多图谱的分割方法通过图像配准与标记融合,将图谱中包含的先验信息传递给待分割图像而达到较高的分割准确率,但是传统的多图谱方法使用人工设计的特征模型难以提取出适应性好,判别性强的特征,本文针对这些问题,将深度网络模型用于分割海马及其子区,提出基于残差连接与对抗训练的海马整体分割算法和串行处理卷积神经网络的子区分割算法。针对以下方面进行了研究。1)研究了目前深度学习中用于分类以及分割的典型的深度网络模型。对卷积神经网络模型以及堆叠卷积自编码器模型进行了研究,分析了两种网络在图像分割中的应用,探讨了两种不同的分割方式:逐像素标记的分割方式与语义分割方式。在分析了这两种分割方式的优缺点后,将这两种分割方式引入海马分割当中。2)在进行海马整体分割任务时,采用基于语义分割的方法。为提升网络分割能力,在U-Net的基础上,结合残差块设计U-Res-Net进行分割,并且将生成对抗网络中对抗训练方式用于训练U-Res-Net,实验结果显示,整体分割准确率较传统方法有明显提升。3)在进行子区分割任务时,针海马子区边界模糊、子区多、不同子区体积差距较大的特点,提出串行处理卷积神经网络的子区分割方法,针对大小不同的子区,设计两种结构尺度不同的网络Big Sub Net、Small Sub Net,并且采用串行的标记方式。实验结果显示,分割准确率在大部分子区上有明显提升。