鼻咽癌是常见的癌症之一,其治疗手段主要是通过放射治疗杀灭靶区癌细胞。放疗过程中容易危及周边的正常器官组织,因此需要有一定经验的医师通过精准勾画病人计算机断层扫描（CT）图像中的危及器官来制定放射治疗计划。为了提高放疗计划的制定速度,减轻医师的工作负担,本文提出了基于平衡采样和多任务学习的CT图像危及器官分割模型,以实现在CT图像上针对特定器官的自动分割工作。目前现有头颈部危及器官分割方法欠缺通过采样的角度考虑多种分割类别间的平衡以保证差异较大的多种器官在同一网络中的分割效果,并且未能考虑网络对边界信息的学习。因此,本文提出一种基于器官平衡采样策略和多任务学习的头颈部危及器官分割的算法。针对头颈部CT图像中待分割器官种类较多且差异较大的问题,本文设计了一种器官平衡采样策略,通过对需要分割的各类器官进行连通域分析并按类别均等采样的方式缓解类间不平衡的问题。针对CT图像对比度较低,边界较为模糊的问题,本文引入多任务学习机制,通过设置分割任务为主任务,边界学习为辅助任务,设计了主、辅任务支路间的特征交互,使用边界信息强化模块筛选特征,并引入了针对主、辅任务的深监督约束和任务间的转换约束作为多任务损失函数,帮助网络进一步提升分割精度。最后,为了验证本文提出方法的有效性,本文分别在自建的鼻咽癌患者CT图像数据集和危及器官挑战赛的PDDCA公开数据集上进行测试,基于平衡采样的U型分割网络在自建和公开数据集上的分割DSC指标分别为79.6%和81.1%,相较于不使用平衡采样分别提升17.0%和17.6%;基于多任务学习的分割网络在自建和公开数据集上的分割DSC指标分别为80.7%和82.1%,相较于改进前的平衡采样网络分别提升1.1%和1.0%。实验证明,两种改进方法均能在保证一定精度的情况下实现特定头颈部危及器官的自动分割,且后者在器官边界和孔洞部分的预测精度相比前者有一定的改善。