肝癌是我国常见的恶性肿瘤之一,其最有效的治疗手段是外科手术治疗。CT是肝脏病变的一种常见的检查方法。随着计算机应用的发展,基于计算机辅助的肝脏手术规划系统能够帮助外科医生在实施肝脏手术之前,为患者提供合理的手术方案,降低手术风险,提高手术成功率。肝脏图像的分割是肝脏手术规划中非常重要的一步,它能够为后续肝脏的治疗提供定量的分析。目前,临床上采用的大多是手动分割和半自动分割,但是分割效率和精度却没有进一步提升。因此,为了减轻医生的工作量,提高分割效率和精度,本文在基于深度学习的基础上,提出了一种基于概率图迭代的医学图像分割算法,并将该算法与软件工程相结合,设计并开发了一套能够实现肝脏CT图像快速自动分割的系统。本文的工作主要包括以下几个方面:首先,针对U-net网络中下采样信息丢失的缺点,本文在其基础上提出了一种新的概率图迭代网络结构（Iterative-net）,具体做法是将网络的输出结果再次输入到网络浅层进行迭代,补偿下采样所丢失的信息。此次算法上的改进能够有效的克服U-net中网络下采样时池化层所造成的信息丢失的问题。其次,本文将提出的算法在公共数据集Sliver07上进行实验验证。首先对实验数据采用旋转和弹性形变的方式进行数据增强,之后对所有的数据进行归一化的处理,在图像预处理完成之后,再对算法进行训练、验证和测试。通过实验对比证明,本文的算法具有良好的分割性能。最后,本文设计并开发供临床应用的肝脏CT图像自动分割系统。通过设计系统的各个功能模块,实现医学图像的读取和显示、图像的预处理、图像的分割以及图像的三维重建等功能,同时对系统做了全面的测试工作,证实了该系统在临床上具备一定的使用价值。