在行为与认知能力快速成长的婴儿阶段,伴随着大脑形态结构的快速发育,准确地将婴儿脑磁共振图像分割成不同的组织类型,对于研究早期婴儿大脑发育模式、相应的行为认知发育脑机理及脑疾病至关重要。由于婴儿脑图像采集时间受限、成像质量较差、标注对专业性要求高,大批量数据的手工标注需要耗费大量的时间和精力,且分割标准会存在不一致的情况,这些都对婴儿大脑的分割和配准方法提出了更高的要求。因此针对婴儿脑图像,本文对基于深度学习的分割算法、配准算法和分割配准联合算法进行了系统深入的研究和讨论,具体研究内容如下。（1）通过对基于DenseNet的婴儿脑组织分割算法的准确性和泛化性进行分析,确定综合性能最好的婴儿脑组织分割算法。由于婴儿时期脑组织成熟速度快,其磁共振图像即使在较短的时间范围内（如从新生儿到6个月左右婴儿）也会有很大的脑组织体积差异和不同的亮度对比度,这使得开发婴儿脑图像分割算法,并将其推广应用到包含不同年龄段或不同图像采集协议的多中心婴儿数据集上极具挑战性。研究表明,基于深度学习的方法在6-9个月大的等强度期（该时期婴儿大脑灰质与白质之间的亮度对比度差异极小）婴儿脑组织分割中取得了较好的结果。然而,很少有人研究这些方法是否可以推广应用到其他年龄段的婴儿数据,如新生儿脑图像。本文在iSeg-2017数据（6-9月龄）与UNC新生儿脑图像数据（UNCNeo）上对最新性能较好的基于深度学习的婴儿脑组织分割算法进行了准确性和泛化性的探究。首先对训练与测试数据来自同一个数据集的分割结果进行比较,分析了不同分割算法的准确性;然后对比了训练与测试数据来自不同数据集的分割结果,以分析不同分割算法的泛化性能。实验结果表明HyperDenseNet方法综合性能最优。该实验充分考虑了基于深度学习的分割算法在不同采集点,不同成像参数以及不同年龄段数据上的性能,其结果对领域内婴幼儿脑组织分割算法的开发具有全面的指导意义。（2）通过对基于深度学习的分割和配准算法的分析,设计了新的基于深度学习的分割配准联合算法。图像分割和图像配准是高度关联的两个数据处理方法,将两个方法进行联合,配准模型能够为婴儿脑图像的分割模型提供拓扑信息,从而有助于提高分割网络的性能;同时分割结果精度的提高也使个体间脑图像配准更精确。所以分割配准联合算法能够更充分地发挥两部分算法功能的优势,使两部分结果都从中获益,从而形成鲁棒且准确的分割配准联合模型。但是当前基于深度学习的婴儿脑分割配准联合算法方面的应用研究较少,因此本文提出了新的基于深度学习的分割配准联合算法,其中的有监督分割模型和弱监督配准模型都能生成未标注数据的分割图预测结果,可以为彼此提供未标注数据的监督信息,从而实现在包含部分未标注数据的数据集上进行模型的训练。VoxelMorph是针对大脑图像配准应用最广泛的方法之一,考虑到弱监督VoxelMorph配准算法原本是用于成人脑图像配准,于是首先在UNC新生儿数据上对弱监督VoxelMorph配准模型进行超参数选择实验;之后将弱监督VoxelMorph配准模型与有监督HyperDenseNet分割模型进行联合,并在UNC新生儿脑图像数据上进行分割配准联合验证实验。通过对比发现,分割配准联合算法中分割图形变结果的Dice相似系数比单独的配准模型所得的结果提高1.5%,且分割配准联合算法所得分割结果的拓扑结构更准确。该项工作表明,该分割配准联合算法在医学图像分割与配准两个重要领域都显示出较好的性能,其算法框架可以推广到对图像分割与配准精度要求高、难度大且缺少金标准的其它应用中,例如胎儿大脑图像的分割与重建等。