近年来,随着医疗技术的提升以及经济的快速发展,全世界人口老龄化越来越严重,阿尔茨海默症、重度抑郁症等精神系统疾病的发病率也是逐年攀升。而海马体的形态体积与阿尔茨海默症的病因有着密不可分的联系。海马体影响人类的记忆认知等功能,一旦出现问题会给人们的日常生活带来很大的影响。而确诊阿尔茨海默症的第一步就是从磁共振图像中分割出海马体的形态,然后才能进行下一步的分析确诊。目前海马体分割的金标准,仍然是由有经验的专业人员借助专门的医学图像处理工具对每层切片的海马体轮廓进行勾勒。该过程耗时乏味且重复度较低,手动去分割一对海马体需要逐层划分感兴趣的组织结构,大约需两到三小时,主观性强,往往存在一定程度的误差。因此为了克服手工分割方法的不足之处,实现海马体的自动分割,对于诸如阿尔茨海默症等神经性疾病的诊断具有重要的现实意义。生成对抗网络于2014年提出,起初生成对抗网络只应用在自然图像中,由于其强大的性能和灵活的框架,近几年也逐渐应用在医学图像领域,包括图像的分割、重建、去噪等,因此本文基于生成对抗网络的方法来对海马体进行分割研究,主要研究内容有以下两点:（1）提出了融合残差块注意力机制和生成对抗网络的海马体分割方法。在生成对抗网络模型的基础上,提出不同的卷积配置,以捕获由分割网络提取的全局特征。提出以Pixel2Pixel为基本架构的生成对抗网络模型,生成模型结合残差网络以及注意力机制的编解码结构以捕获更多细节信息,判别网络采用卷积神经网络对生成模型的分割结果和专家分割结果进行判别。经过生成模型和对抗模型不断地传递其损失,使生成模型达到分割海马体的最优状态。使用来自ADNI数据集130名健康受试者的T1加权MRI扫描和相关海马标签作为训练和测试数据。实验结果表明,该网络模型可以实现高效地自动分割海马体。（2）提出了融合卷积LSTM和生成对抗网络的海马体分割方法。在生成对抗网络的生成模型中融入卷积长短记忆神经网络,通过卷积操作提取空间特征,可以更好地处理二维切片之间的空间信息,充分利用其三维特征。因为海马体的数据属于三维数据,为了节省计算机资源且使模型收敛速度变快,需要尽可能使模型参数变小,因此使用二维的切片数据进行训练。其次使用空洞卷积代替一般卷积,在参数量不变的情况下进一步提高海马体的分割精确率。对模型进行训练后,通过三维重建结果与原始海马体的数据进行比较。实验结果表明,该模型可以有效利用海马体的数据切片间的三维空间信息,实现海马体的精确分割。