颅内出血是一种高发病率的脑血管疾病,准确的诊断和及时的治疗有助于提高患者的康复率。颅内出血的计算辅助诊疗系统对于医生的诊断和制定后续治疗方案是至关重要的。目前,计算机辅助诊疗研究可分为两大领域:颅内出血亚类型分类和颅内出血病灶分割。在颅内出血亚类型分类中,大多数研究使用CNN-RNN结合的网络架构。然而,这些研究都忽略了以下几个问题:（1）已有的CNN网络比如Res Net、Dense Net等在CT图像上特征表达的能力不够;（2）颅内CT图像的数据集中正负样本的比例是严重不均衡的;（3）单张出血CT切片可能存在一种或多种病灶类型,而这些病灶之间存在的相关关系常被忽视。另一方面,在颅内出血病灶分割领域,基于U-Net的分割方法已经展现了显著的性能优势。然而,U-Net的网络设计仍存在以下问题:（1）U-Net的编码层的卷积操作过于简单,并不能提取更精细的特征;（2）U-Net的跳跃连接设计使得浅层编码层的特征图将直接与深层解码层的特征图进行连接,这意味着解码层将引入不相关的噪声从而导致像素的错误分类;（3）解码层的反卷积操作无法聚集多尺度特征信息,从而影响图像病灶的边缘和细节的还原,限制了网络的分割的性能。对于以上两个领域中未解决的问题,本文提出以下方法应对这些挑战:1.将颅内出血亚类型分类这个问题转化为细粒度分类问题,并引入了紧凑线性池化的方法,通过特征的双线性汇合,CNN通路可以提取更精细的图像特征;针对数据集分布不均衡的问题,提出多权重焦点（Multi-weighted Focal,MWF）损失,使用动态的权重系数控制正负样本的预测损失以平衡网络学习过程中的参数偏移;提出Softmax相对熵（Softmax Relative Entropy,SRE）损失,通过相对熵计算真实标签分布与预测标签概率分布的差异,以此度量多标签类别之间的相关性。2.本文提出了一个新的网络架构——多尺度U-Net（Multiscale U-net,MU-Net）,并将其应用到颅内出血病灶分割任务中。在编码器模块,引入了Res2Net的网络模块。这种设计可以提取更精细的多尺度特征,并增加了特征图的感受野。为了减少编码层和解码层对应层次之间存在的语义鸿沟,提出多编码信息融合模块（Multi-encoder Information Fusion,MIF）,通过信息融合的方式弥补解码器丢失的全局信息。除此之外,为了多尺度地聚集特征信息从而更好的还原病灶的边缘与细节,提出新的解码器模块—多尺度上卷积模块（Multiscale Deconvolution Block,MDB）。多种实验证明,本文提出的方法是有效的,并且在性能上超越了多种先进方法。