在临床中,医生通过观看颈椎CT图像来诊断颈椎病。CT扫描能将颈椎椎骨的分布和周围组织的结构以立体高分辨率的形式显现出来。但是颈椎CT图像存在椎骨对比度低,颈椎间盘不可见的问题,医生手工阅片费时费力,且存在主观误差。开发出颈椎自动分割系统并将椎间盘质心和倾斜角度计算结果可视化,将对医生提供有力帮助。课题采用深度学习方法,完成对颈椎椎块的分割。颈椎CT图像存在数据不容易获取,获得的数据集不足以支撑深度学习网络的充分训练的问题,同时,CT图像通常尺寸较大,颈椎相关像素只占整张CT图像的一小部分。对此,提出先预定位再对预定位图片数据集扩充的预处理方法。预定位解决图像尺寸问题,数据集扩充解决数据集过小问题。针对U-Net++网络规模过大,特征提取稍显不足的情况,在U-Net++基础上进行改进,提出一种适合小尺寸输入、小数据集任务的分割网络。使用两种residual block残差块分别替代标准U-Net++浅层和深层的卷积模块单元,提高U-Net++的特征提取能力,减少U-Net++网络参数。针对模型收敛慢,深层网络难以充分训练的情况,充分利用U-Net++的网状结构优势配合使用深监督训练方法,加快模型收敛,提升模型预测准确度。使用联影公司提供的颈椎CT图像进行训练和测试,结果表明,该分割方案在测试集上DSC（dice similarity coefficient）可以达到0.9259。椎间盘定位和角度计算可视化的结果清晰、明确,具备了临床实际应用的价值。