动脉瘤性蛛网膜下腔出血（Aneurysmal subarachnoid haemorrhage,aSAH）是最典型的非外伤性蛛网膜下腔出血（Subarachnoid haemorrhage,SAH）,其患者的死亡率和并发症的发生率都很高。aSAH严重损伤中枢神经系统,还会对患者全身的多个器官造成病理性影响。aSAH的临床治疗较为复杂,由于涉及到多个专业的知识和技术,需要多个学科的医师组成医疗团队对患者开展治疗,耗费人力大。这样的高要求影响了aSAH的早期治疗,而早期对患者病情的评估和治疗是降低aSAH致死率和致残率的关键。近年来,人工智能（Artificial Intelligence,AI）技术发展迅速,尤其在医学影像的辅助诊断上,使得通过AI技术辅助医师诊断成为可能。本文从UNet网络入手,分析UNet的衍生网络,总结其改进思路,结合aSAH的影像特征,提出了针对aSAH检测的语义分割网络RBA-UNet,使训练得到的aSAH模型能较好地检测出头部电子计算机断层扫描（Computed Tomography,CT）图像中的aSAH区域,提高了分割性能。首先,本文从已有的研究成果入手,分析现有的头部CT诊断服务,通过分析UNet的衍生网络,解决UNet结构因连续卷积跨度和池化操作造成的空间信息丢失问题的。其次,分析aSAH的影像特征,对于头颅CT中aSAH形状位置的多样性以及目标边缘的复杂性,本文采用空洞空间金字塔池化（Atrous Spatial Pyramid Pooling,ASPP）来实现自由的多尺度特征提取。针对UNet结构中由于连续的卷积跨度和池化操作造成的空间信息丢失问题,本文利用残差结构改进解码器部分,并结合批量归一化（Batch Normalization,BN）和修正线性单元（Rectified Linear Unit,Re LU）加快网络的训练速度和收敛速度,在尽可能减少信息丢失的同时解决梯度爆炸与梯度消失的问题。最后,针对3D Slicer的三维aSAH数据,本文通过python与matlab制作二维的aSAH数据集CA80,结合衰减学习率和交叉验证策略,利用RBA-UNet网络训练aSAH分割模型,同市面上现有的方案及其他改进型UNet算法训练的模型进行实验分析。实验结果表明,在数据集CA80中,基于本文改进型UNet网络RBA-UNet训练得到的aSAH分割模型精确度达到了87.74%,对比现有的头部CT诊断服务及UNet改进方案,本文提出的RBA-UNet在aSAH的分割上具有更好的精准度,基本满足医疗辅助的要求。