近年来,胰腺疾病的发病率逐年显著上升,尤其是胰腺癌,为致死率最高的肿瘤之一,素有“癌中之王”之称,其五年生存率仅小于1%。随着医疗设备的巨大进步、计算机图像处理和影像组学技术的迅猛发展,基于医学影像大数据分析的早期精准胰腺病变诊断方法,是现今提高胰腺癌症生存率的重要途径与最新方法。该胰腺病变诊断方法,能够提高临床医生对胰腺疾病的早期诊断率,从而实施更为高效精确的治疗方式。然而如何实施有效、快速、精确的胰腺分割是目前医学影像大数据分析中的巨大难题。本文针对胰腺解剖结构复杂,形态、位置变异大,且周围有大量邻近组织等特点,基于深度卷积神经网络对胰腺的分割问题展开深入研究,研究内容和主要贡献包括以下几个方面:1.提出了一种基于 DenseVoxNet（densely-connected volumetric convolutional neural network）的胰腺分割方法。该方法采用3D全卷积架构,通过密集连接的机制实现了各层之间的最大信息流,从而简化了网络训练;通过鼓励特征重用,避免学习冗余特征图,提高了网络训练效率;同时,在网络结构上添加辅助路径,加强了梯度传播并稳定了学习过程,以此来实现精准的胰腺分割。2.提出了一种基于目标检测的两阶段胰腺分割方法。胰腺作为小目标,通常占背景比例极小。为了实现胰腺的精准分割,本文运用两阶段学习框架,实现胰腺粗到细的分割。粗分割阶段,采用目标检测中常用的Faster-RCNN框架,产生一个精确的胰腺定位候选框,并对包含胰腺的候选框周围进行填充,得到粗分割结果;细分割阶段,分别使用多种分割模型对胰腺粗分割结果进行细分割,以此来实现精准的胰腺分割。相较于目前的主要方法,该方法在提高胰腺分割精度的同时,在运行时间上也有明显优化。本文通过NIH胰腺分割数据集评估了提出的两种胰腺分割方法,并以平均Dice-S?rensen系数（DSC）衡量,DSC分别达到了 78.70%和83.90%,该实验结果验证了本文算法的有效性。