颈动脉狭窄程度是临床实践中中风风险评估和病程管理的重要生物标志物。精确的颈动脉管腔分割是量化其狭窄程度的前提。然而对于计算机断层扫描血管造影(Computed Tomography Angiography,CTA)图像中的颈动脉管腔分割任务,传统图像分割方法大多数不能完全摆脱对人工介入的依赖。最近深度学习方法在计算机视觉领域中的多种任务上均有着卓越表现,使其成为有望实现颈动脉分叉自动化语义分割的一种技术手段。本研究以三维头颈部CTA图像为研究对象,采用深度卷积神经网络来实现完全自动化的颈动脉分叉管腔分割算法。在原来UNet的结构基础上,加入了残差连接、空洞卷积,并且把深度监督策略融入到网络结构中,本研究建立了一个新型网络结构。同时针对分割任务中正负样本不均衡问题探索了不同结合方式下损失函数对神经网络训练的促进作用,并且采用两阶段的策略完成了从大图像中分割出小目标的任务。以15个数据集为训练集,本研究在41个数据集的测试集上评估了方法的分割效果,评估指标dice相似系数的平均值为82.3%。这是深度学习在三维CTA图像中颈动脉分叉结构分割上的首次运用,说明了深度学习是一种自动提取颈动脉分叉结构的有效方法。