转移肿瘤是指癌症从身体的一个部位扩散到了另一个部位,大约三分之二的癌症患者都会患有骨转移肿瘤,而脊柱是骨转移肿瘤最常见的发病部位,脊柱转移肿瘤可能会引起病人疼痛、脊椎不稳定和神经损伤。因此,脊柱转移肿瘤的早期检测对于疾病的精准分期、改善患者的预后以及最佳治疗方案的选择至关重要。在脊柱转移肿瘤的临床诊疗中,脊椎的检测分割以及骨质质量的诊断分类是两个非常重要的问题。本文针对这两个问题,基于深度学习的方法,提出了相应的解决方案。针对脊椎分割中强标注难以获取的问题,本文提出了一种基于自学习和切片传播的弱监督脊椎分割方法（Weakly supervised Iterative Spinal Segmentation method,WISS）,仅利用单个矢状面图像上的四个角点作为标签,实现了三维脊椎椎体分割。WISS首先在有标注的矢状面切片上训练一个分割模型,并使用自学习的方法优化训练标签,通过置信区域选择和条件随机场的方法避免误差累积传播。然后通过切片传播的方法不断地将当前训练集图片相邻的矢状面切片加入训练集,继续训练分割模型,最终得到一个能够对所有的矢状面进行分割的通用模型,完成脊椎椎体的三维分割。本文在两个数据集上验证了WISS的有效性,在私有脊柱转移肿瘤CT数据集上进行二维分割实验,对比直接使用二维分割网络,WISS能够提升JAC值约+3.9%、提升DSC值约+2.5%,在公开腰椎CT数据集上进行分割实验,正中矢状面分割和三维椎体分割的DSC值分别能够达到91.7%和83.7%。WISS能够节省巨大的标注成本,这在医学影像领域有着非常广阔的应用前景。针对脊柱转移肿瘤骨质质量分类问题,本文提出了一种基于多任务学习（Multi-task Learning,MTL）和自步学习（Self-paced Learning,SPL）的方法。该方法通过多任务学习,同时学习了脊柱后外侧受损情况分类任务。基于混合型病灶可以被认为既是成骨型也是溶骨型的先验知识,本文将骨质质量分类任务建模为两个二分类子任务,并使用多层感知机将它们的结果进行融合。还使用了自步学习的方法,让模型由易到难地学习训练样本,以获得更好的泛化效果。在脊柱转移肿瘤数据集上的实验结果表明,本文提出的方法在椎体的成骨型、混合型和溶骨型的灵敏度上远远超过了Dense Net-121分类器,分别提升了+12.33%、+23.21%和+34.25%。