随着影像组学和计算机辅助诊断等医学影像技术的不断发展与应用,医学图像中一些关键的解剖点的位置的确定对于后续的建模和分析的过程有着重大的意义。目前在医学图像分析的研究中,解剖点的检测大多依赖医生手动进行标记,这种手动的检测方式不仅浪费了医生宝贵的时间和精力而且检测结果的准确性会受到医生的工作状态、临床经验等一些主观因素的影响。因此医学图像解剖点自动检测的研究对现代医学的发展与进步有重要意义。本文针对头部磁共振成像（Magnetic Resonance Imaging,MRI）中的四个可用于图像配准的解剖点提出了一种三维医学图像解剖点自动检测方法。该方法可分为两个步骤:第一步首先从三维医学图像中定位出解剖点所在的层,第二步在解剖点所在层对应的二维图像上定位出解剖点的解剖位置。本文的具体研究内容如下:对于解剖点的层定位,提出了一种基于3D卷积神经网络的三维医学图像中解剖点所在层的定位方法。该方法的输入为三维医学图像（数据大小为16×515×512）采用3D卷积神经网络提取图像特征并通过池化层不断对每层数据进行下采样,直至数据大小降至16×1×1后生成16维的向量并输出,该向量中的每一个值为解剖点在每一层的概率。在网络的训练过程中通过将网络输出向量与标准向量作交叉熵损失并将该损失反向传播完成网络的训练。实验结果显示四个解剖点的层定位准确率均达到了75%以上且最大定位误差不超过1层。对于二维图像中解剖点的检测,提出了一种基于点特征的二维图像解剖点自动检测方法和一种基于卷积神经网络的二维图像解剖点自动检测方法。基于点特征的解剖点的检测方法利用图像的Haar-like特征生成单个像素点的特征描述符并结合多点联合描述方案定义测试图像中检索区域内每一个像素点的特征描述向量,然后将这些描述向量与标准向量一一进行匹配检测出目标点。实验结果显示基于点特征的二维图像中解剖点检测方法对四个解剖点的检测结果与医生标记结果之间的平均误差在2-4mm之间该误差小于解剖点本身的大小。基于卷积神经网络的二维图像解剖点自动检测方法采用沙漏网络提取图像特征并生成解剖点的预测热图,采用DSNT（Differentiable Spatial to Numerical Transform）层将预测热图转化为解剖点的数值坐标并输出,由于DSNT层中的计算是可微的,所以该网络模型实现了由输入图像到解剖点坐标端到端的训练。为增强网络的训练效果本文还提出了数据增强和迁移学习两种方法。实验结果表明基于卷积神经网络的二维图像中解剖点的检测方法的平均检测误差在1mm左右,该结果远远好于基于点特征的方法,但基于卷积神经网络的方法需要一定数量的训练集才能保证训练效果。最后,为实现层定位方法与点定位方法两种方法更好的结合本文构建了该算法的软件系统,该系统将两种方法级联并封装以实现三维图像中解剖点的自动检测。