脑出血是一种原发性非外伤性脑实质内出血。当大脑内部血管受压破裂时,就会导致脑出血现象的出现。目前,对脑出血的诊断大多是以CT图像为前提,然后医生对脑出血CT图像再进行判断。但是紧急情况下,医生通过CT图像无法及时且准确地判断出病人是否出现脑出血症状,从而错过患者的最佳治疗时间。因此,能够找到对脑CT图像自动化识别脑出血部位的方法势在必行。为此,临床医学领域以及图像检测领域,都对脑出血的自动化检测识别方法进行了大量的研究。传统的自动化检测脑出血CT图像的方法往往面临着准确率低、方法繁琐、速度较慢等各种问题,并且最终检测结果一般。随着深度学习的发展,人们开始运用深度学习对医学图像进行相关病变检测。与传统的检测方法相比较,基于深度学习的检测方法多数情况下可以提高病变检测的准确率和速率。因此利用深度学习对相关病变进行检测,逐渐成为医学图像检测领域的更优方案。本文的主要工作是研究基于脑CT图像的脑出血检测算法,主要分为两个部分,分别是脑实质的分割以及脑出血部位的检测。针对脑实质分割,本文首先阐述了一种基于线性空间滤波器的传统分割算法,然后提出一种基于残差网络的U-Net脑实质分割算法,这种算法对网络的结构进行修改,增加了网络的深度。对U-Net网络结构的改进细节本文进行了详细的阐述,并且分别对基于线性空间滤波器、U-Net和改进U-Net网络的分割算法进行实验对比并分析。针对脑出血部位的检测,本文对目前流行的目标检测算法进行简单的阐述,并且选用Mask-RCNN作为脑出血部位检测的主要算法。接着本文阐述了几种对Mask-RCNN特征提取网络Res Net101的改进算法,并提出了另一种改进方法,这种改进方法在不降低网络感受野的同时提高了算法的运行速度。然后分析了FPN网络的不足之处,并根据原始的FPN网络,提出改进的FPN网络结构,这种网络结构整合了更多层次的特征,提高了算法检测精度。实验证明,本文提出的脑实质分割方法和脑出血检测方法皆具有较高的精度和效率。