对医学图像中核磁共振成像(Magnetic Resonance Image,MRI)的分割是临床诊断的重要步骤之一,传统采用人工分割的方式,该方式容易受医生的经验和主观影响,且是一项工作量大、耗时长的工作。随着计算机技术的发展,基于计算机辅助诊断的自动分割技术可以提高分割的准确率和工作效率。在深度学习出现之前,数字图像处理技术一直是传统自动分割方法的技术指导,通过计算获取图像的纹理等特征实现分割。其中基于浅层特征的分割由于受对比度、噪声等因素的影响,鲁棒性差、而且无法表达感兴趣区域的深层抽象特征,因此训练的模型泛化能力较差。近年来,在计算机视觉领域中,深度学习的发展促进了卷积神经网络在图像语义分割方面的进步,同时为MRI图像的自动分割奠定基础。通过对深度网络模型的训练,使其从数据中自动学习具有良好分类和泛化能力的特征,提升分割效果。本文针对MRI中海马部位进行分割,研究的主要内容包括:(1)提出一种基于Side U-Net的分割网络模型,该网络采用混合空洞卷积和多尺度的上采样模块,将下采样过程中丢失的局部特征进行有效恢复,并融合不同尺度下的侧输出模块与标注数据直接计算误差,增加网络在不同尺度下梯度更新的效率。实验结果表明,在使用相同损失函数的情况下,本文提出的堆叠式网络结构具有更高的准确率。(2)针对MRI中像素的正负样本分布不平衡问题,提出了一种改进的类平衡交叉熵损失函数,将样本像素数量上的类别不平衡问题转化为样本像素分类难易程度问题,动态为难分类的像素添加更多的权重,提高像素分类精确度。(3)提出一种基于侧输出深度集成网络模型,该模型使各模块之间联系更加紧密,侧输出的特征图可作为输入继续进行下一层网络的运算,另外采用密集上采样卷积,在不增加额外运算和参数的情况下,达到恢复上采样特征图的目的。实验结果显示,本文提出的基于侧输出的深度集成网络结构,具有89.82%精确度。