近年来,随着机器学习技术的飞速发展,目标检测、语义分割等领域也逐渐出现了很多成熟的技术方案,这些机器学习方法也为神经影像学的智能化分析提供了新的研究思路。传统的深度学习方法通常需要依赖海量的数据,并要求数据的产生机制不随环境改变。然而,对于医疗影像这类应用场景来说,这样的假设往往过于严苛。其一在于,各医疗中心所能接待患者数量是有限的,海量数据获取难度极大。其二在于,医疗数据的监督标签必须依赖于经验丰富的放射科医生,这使得像素级标注变得额外昂贵而难以获得。基于上述问题,如何分析和挖掘非平稳环境中的大规模数据成为医学影像分析最具挑战性的前沿方向之一。迁移学习放宽了传统机器学习中训练数据和测试数据必须服从独立同分布的约束,因而能够在彼此不同但又相互关联的两个领域间挖掘领域不变的本质特征和结构,使得不同域之间的域不变性知识可以在领域间实现迁移和复用。迁移学习是解决目标任务标注数据稀缺的基础方法,其研究仍处于富有挑战的阶段。本课题分析发现,在脑部医疗影像智能化检测任务中,具有两大值得迁移的知识库。一是,针对某种特定疾病,尽管其有标注数据稀缺,但是无标注数据却是非常容易获取。在这些无标注的数据中,含有脑部组织结构的一般视觉表达,利用无监督、半监督等方法充分挖掘这些知识,进行知识迁移,可以对有监督训练提供很好的先验知识。二是,对于某一脑部疾病,有标注的数据不足,但是可以获取到其他的脑部疾病的标注数据。这些其他脑部疾病,具有相似的脑部环境和病灶引起的异常信号,能够为当前研究的疾病提供知识补充。本课题首先围绕深度学习和迁移学习的相关网络框架展开学习与研究,并从同疾病无标注数据和其他脑部疾病有标注数据两个应用方向提出有助于脑部疾病病灶分割的域适应解决方案。对于同疾病的无标注数据,由于监督信息的稀缺,本文利用辅助任务挖掘脑部环境的视觉一般特征,通过对比学习实现对特征提取器的监督。对于不同疾病的有标注数据,由于不同数据集之间的分布差异,在迁移过程中易出现负迁移、欠适配问题。本文提出一种权重在线动态分配的域适应方法,有效规避了知识迁移中的欠适配和负迁移现象。本文证实了,对于脑疾病,同疾病的无标注数据和不同疾病的有标注数据都是有价值可挖的。针对这两个不同的数据挖掘应用领域,本文提出了对应的解决的方案并实验验证了其有效性。这些方案具有很好的扩展性,可以为医疗影像的迁移学习提供有价值的参考依据。