脑是人体中最为重要和复杂的器官,脑部疾病会对人类健康产生重大威胁。医学影像技术可以用非入侵的方式取得脑部组织影像。将脑部医学影像中不同组织、器官分割出来对于提升医学诊断者对正常的、有病变器官的诊断能力有重大意义。人工分割影像中的不同组织器官费时、费力,且对于诊断者自身的水平要求较高。本文通过收集大量的医学影像,设计了脑部医学影像快速定位算法以及脑部影像分割算法,实现了脑部医学影像自动分割系统。本文的主要工作如下:1.构建医学影像数据集。数据集由两部分组成,一部分是552例人类电子计算机断层扫描影像序列（CT）,另一部分是140例带有标签且包含T1、T1₁mm、T1_IR和T2_FLAIR四种模态的磁共振成像序列（MRI）。2.设计并实现了基于目标检测的脑部影像快速定位算法。构建了基于yolo改进的多尺度检测网络,使用密集投影、取最大连通区域和阈值分割的预处理方式,对医学影像矢状面剖面图进行处理,采用脑部影像中心剪裁和旋转的数据增强方式进行训练后,模型对于CT影像的的平均测试分类IOU值达到96.4%,平均单幅的预测时长保持在0.25s,其中针对脑部区域影像定位平均测试分类IOU值达99.1%。3.设计并实现了基于改进U-net网络的脑部影像分割算法。基于U-net网络针对医学影像的特异性调整了网络架构,设计了由19个卷积层、16个激活层和4个反卷积层组成的下采样和上采样相互级联的网络,使用质心旋转和加噪声的数据增强方法,结合定位、分类损失函数训练后,模型对于对脑部MRI影像分割平均测试准确率达到92.7%,平均预测时长为3.10s。4.设计并实现了基于自搭建神经网络的脑部影像分割算法。针对医学影像的特异性设计了包含26个卷积层、24个归一化层、3个上采样层和3个最大池化层组成的多输入的残差网络,采用多模态MRI数据联合输入和基于类别随机数据增强的方法进行训练后,模型对脑部MRI影像分割平均测试准确率达98.2%,平均预测时长为3.90s。