本文主要针对人工皮肤的OCT图像的分割技术进行研究。近年来,人工皮肤在化妆品毒性评价等领域得到了广泛应用,为了确保用于测试的人工皮肤本身的质量和一致性,需要开发合适的手段用于人工皮肤生产制备过程中的实时在线监测。光学相干层析（Optical Coherence Tomography,OCT）技术具有非侵入、无损、在线检测等优点,非常适用于对包括人工皮肤在内的组织工程产品进行无损检测。然而,虽然有众多研究者已经将OCT技术应用于人工皮肤的检测中,但目前的研究依然存在一些欠缺。一方面,人工皮肤的OCT图像具有噪声强、边缘模糊、数据量大等特点,但在现有的研究中,所用到的图像处理方法依然局限于简单的阈值分割、边缘检测、峰值检测等,没有引入在其他生物医学图像处理领域表现突出的深度学习技术,缺少对图像的精准分割处理。另一方面,现有的研究主要针对人工皮肤的2D OCT图像进行处理,只能观察到人工皮肤的2D截面信息。而利用人工皮肤的3D OCT数据,可以对人工皮肤的整体情况进行更加精准的评估。针对上述问题,本文就人工皮肤的OCT图像分割开展研究,主要工作如下:（1）根据人工皮肤的质量指标与结构特征的关联性,确定了人工皮肤OCT图像分割的目标为人工皮肤的整体区域和角质层区域。在此基础上,我们采集并构建了相应的数据集用于神经网络的训练和验证。（2）基于经典的U-Net卷积神经网络进行改进,构建了用于人工皮肤OCT图像分割的卷积神经网络。一方面,本文在神经网络中添加了批量归一化层,可以加快网络在训练过程中的收敛速度。另一方面,本文还构建了不同规模和维度的神经网络,确保在分割效果没有明显差异的情况下,选取规模较小的神经网络,以减小运算量,加快处理速度。为了避免数据集在分割为训练集和测试集时的随机误差导致验证结果不准确,本文使用了六重交叉验证的方式对神经网络进行训练和验证,提高了验证结果的可靠性。（3）本文对使用神经网络处理人工皮肤的3D OCT数据的方法进行了研究。通过把人工皮肤的3D OCT数据切为一系列的连续3张2D-BScan,分别进行分割后再拼接为3D数据的方式,实现了对人工皮肤的3D OCT数据进行了分割,该方法在结合3D OCT数据的上下文信息的同时,有效避免了直接使用神经网络分割3D数据带来的运算量庞大、速度慢等问题。另外,本文使用了正交预测的方式,沿X和Y方向分别预测两次后对结果取平均。测试结果表明,使用该方法可以显著提高分割后的图像细节质量。（4）针对大批量处理人工皮肤OCT数据的需求,本文在分析数据处理不同阶段的硬件占用情况、运算时间的基础上,对人工皮肤OCT图像的数据处理流程进行了优化,大幅度提升了人工皮肤OCT图像处理的速度。