鼻咽癌是我国广东、浙江等南方地区常见的头颈部恶性肿瘤之一,发病率较高。鼻咽部位于头颅中央,手术路径复杂,医生难以对肿瘤作整块切除。大多数鼻咽癌为低分化鳞癌,对放疗的敏感性较高。所以,放射治疗是鼻咽癌首选的治疗方式。精确的靶区（Gross target volume,GTV）与危及器官（Organs at risk,OAR）勾画,是鼻咽癌放射治疗质量保证的关键。由于鼻咽癌靶区形态复杂,周围危及器官较多,使得GTV和OAR的勾画难度较大。并且勾画效率和精度主要依赖于医生的临床经验和知识,此工作量大,耗时长,具有主观差异。如今多种图像分割方法在鼻咽癌的自动分割中己得到应用,但直接分割的算法,通常需要人工做大量的数据预处理工作,否则会因为引入太多无用图片和背景而降低分割精度。其次,当前自动分割网络,对于不同尺寸的目标,难以同时捕捉到与目标尺寸相应的独有的特征,分割精度有待提高。为推进鼻咽癌自动分割技术尽快应用于临床,本文提出了一种基于二维卷积神经网络从分类和定位,再分割的两阶段鼻咽癌分割方案。主要工作分为以下两部分:1.基于卷积神经网络的鼻咽癌分割目标区域的定位。针对直接分割网络引入过多无用图片和背景,导致分割精度下降的问题,本文提出将鼻咽癌患者CT（Computed Tomography）图像,先分类和定位,再分割的思想。首先在患者全部CT图像（从头顶到胸段）,使用DenseNet分类网络,寻找目标层。然后使用Efficientdet检测网络,定位分割目标的位置。最后根据位置,裁剪包含全部目标的最小区域,作为分割网络的输入。此方法可以更精准的对目标区域进行分割。2.基于不同感受野的鼻咽癌自动分割网络MAnet。针对当前自动分割网络,对于不同尺寸的目标,难以捕捉到与目标尺寸相应的独有的特征问题,本文提出一种基于不同感受野的分割网络MAnet,创建一个将空洞卷积和金字塔池化相结合的模块 MACSPP（Multiple Atrous Convolution Spatial Pyramid Pooling）,该模块可以在不增加参数和计算量的情况下,同时捕获不同尺寸目标的特征,并在网络结构中引入通道权重自适应调整策略,将深浅层信息拼接,增加网络的特征学习能力。实验证明,MAnet参数量,浮点运算数,运行内存小于Deeplabv3+,PSPNet,Unet++,U-Net这四个主流分割网络,但MAnet的平均dice系数比这四个网络分别高出0.66%,0.91%,1.23%和3.44%。综上所述,本文提出的将鼻咽癌CT图像,先分类和定位,再分割的方法,可以更精准的对目标区域进行分割。同时本文提出的分割网络MAnet,相比于现有方法,GTV和七个OAR（左右眼睛,左右脑叶,左右腮腺和舌头）的分割精度更高。本方案有望服务于将来的智能放疗。