器官分割是医学图像中的一个关键任务,也是计算机辅助诊断（CAD）、诊断干预和疾病的治疗康复计划等任务的基础。在一些放射治疗计划中,需要提前将医学影像中的目标器官精准的勾勒出来。器官标注过程需要大量的人工且非常繁琐,故极易引入人为错误。多器官分割是指使用同一个模型同时分割多个器官,这比单个的器官分割更具有挑战性。一方面,不同器官之间大小差异较大,导致数据驱动的深度学习模型容易忽视包含体素较少的小器官的特征。另一方面,不同器官之间形态、结构差异较大,甚至同一个器官不同病人之间差异也十分明显,这对深度学习模型的鲁棒性提出了极高的要求。目前医学图像任务中的深度学习模型,主要以FCN、U-Net,V-Net以及它们的各种变体为代表的神经网络为主。将两个相同的网络进行级联是一种在研究领域和工程领域都非常流行的方法,它利用第一个网络进行粗略的特征提取,再使用第二个网络进一步细化,可以明显的提升网络的性能。本文以级联的V-Net网络为基础,使用Seg THOR 2019竞赛和Multi-Atlas Labeling Beyond the Cranial Vault（MALBCV）竞赛数据集进行实验,做了以下四点工作和研究:（1）建立级联网络中同水平对应模块之间的跳连接,极大的提升了级联结构的性能。传统级联网络通常只利用了第一个网络最终的输出结果,对其进行分析和提取所需的信息后送入第二个网络,但忽视了第一个级联网络中每个模块中学习到的特征。本文则通过在两个网络对应模块之间建立块级别的跳连接,充分利用了第一个级联网络学习到的有用特征,增强了级联结构的性能。（2）在神经网络中混合使用大卷积核和小卷积核,增强网络的特征学习能力。通常情况下使用小卷积核的模型尺寸更小并且性能比大卷积核更好,但大卷积核在捕捉较远体素之间的信息上更有优势。本文将二者在网络中混合使用后,在应对多器官分割这类大小差异较大的任务上取得了明显的提升。（3）多器官分割中的某些小器官,例如esophagus,形状狭长且不同病人之间的形态差异明显,分割效果通常较差。于是通过裁剪和使用单分类网络进行单独分割,极大的提升了此类器官的分割效果,使得这类难分割器官的分割更具实际应用性。（4）考虑到医疗领域的安全问题,本文使用了FGSM、BIM、PGD、CW四种经典对抗攻击方法,对网络的抗攻击能力进行了测试。实验发现,目前的常用网络都难以抵抗来自四种攻击方法的白盒攻击,这也是未来值得探索的一个方向。