脑卒中是目前国内成年人致残致死的重要病因,而缺血性脑卒中属于脑卒中的重要类型,近年来缺血性脑卒中的患病率逐年升高。超急性期大面积脑缺血（large hemispheric infarction,LHI）又作为缺血性脑卒中中较为严重的类型,其特点是发病突然,病情迅速恶化,需要快速进行诊断,并实施溶/取栓治疗,才能让病患治疗后获益。如果我们能在超急性期内迅速对患者进行精确诊断,对患者缺血程度进行分级,就能根据患者情况进行准确的干预治疗。计算机断层扫描（computed tomography,CT）由于其成像快,成本低等优点,成为快速诊断和评估卒中患者的首选方式。为此我们希望通过计算机辅助技术结合CT影像对缺血性脑卒中患者提供个性化溶/取栓治疗,解决临床中的欠治疗和过度治疗的问题。因此我们首先要实现对LHI进行自动化分类识别。根据超急性期缺血性卒中的CT影像特点,我们提出“先分割再分类”的智能诊断案。为此我们将方案分为主要的两个任务:颅内缺血区域分割任务和LHI分类任务。针对颅内缺血区域分割任务,考虑任务的复杂性,传统图像处理方式难以满足需求。深度学习理论和技术的出现,为超急性期缺血性脑缺血区域精确分割提供新路径。为此本文提出了一个新型的分割网络模型CF-Net,该分割网络模型能实现对CT二维影像端对端的分割。该网络整体结构采用“编解码”形式,编码器作为特征提取器,解码器作为像素分类器。在网络中,我们采用Non-local模块提取大脑的双侧差异,提高分割准确率。同时我们也利用通道信息融合模块和空间信息融合模块以加强网络对于主要特征信息的敏感度。同时由于CT对与缺血边缘不明显,我们使用Tversky损失函数提高网络的召回率。我们在50例超急性期缺血病患中实验,最终使得分割DSC（Dice Similariy Coefficient,DSC）系数和IOU（intersection over union,IOU）系数达到90.36%、86.75%。针对分类算法,我们对比基于缺血组织体积的分类方法和基于3D分类不同网络的识别结果。本文根据临床医学对超急性期LHI的诊断依据确定了缺血组织体积大于71ml作为LHI的分类标准。同时我们也验证利用3D-VGG、3DRes Net、3D-SENet三种三维卷积网络对分割后的缺血组织的分类效果。我们在135例平扫CT影像数据验证本文的方法,其中包括10例健康志愿者,40例LHI患者和85例非LHI脑梗死患者。实验结果显示根据体积的分类方式识别效果最佳,准确率可以达到91.67%。