在医学图像处理和分析领域,医学图像分割是一个十分重要的任务,它是图像引导手术、计算机辅助检测和医学数据可视化中的关键步骤之一。近年来,随着深度学习理论和实践的发展,基于深度学习的算法在医学图像分割领域取得重大的突破。在医学成像过程中,受硬件和时间成本的限制,各向同性医学图像数据的收集比较困难,在大多数的情况下仅有各向异性的数据可以使用,然而,由于各向异性的医学图像在各个方向上的分辨率不一致,深度学习模型很容易学到与真实器官不同的特征,这就限制着基于深度学习的医学图像分割模型在临床中的应用效果。为了缓解上述问题,本研究聚焦于各向异性医学图像恢复算法的研究,通过把各向异性的图像恢复为各向同性的图像,提升基于深度学习的医学图像分割模型的应用效果。针对各向异性医学图像恢复问题,面向分割任务,本文的主要工作和创新点如下:（1）提出了一种基于超分辨率算法的各向异性医学图像恢复算法——切片超分辨率算法（Slice Super Resolution,SSR）。该模型在超分辨率算法的基础上,对图像特征与标签特征进行融合,在恢复切片的同时,能生成对应的分割标签。通过生成有标签的各向同性医学图像,分割模型可以更好地学习医学图像的特征并获得更好的分割效果。实验表明,本文提出的图像恢复模型与现有超分辨率算法相比,更适用于医学图像分割任务,可以有效提升分割效果。（2）提出了一种基于视频插帧的各向异性医学图像恢复算法——切片补全算法（Slice Imputation,SI）。该模型通过视频插帧技术学习相邻切片间的空间转换关系,并利用空间转换关系生成对应的中间切片以及分割标签。该模型能在保证原始切片没有被修改的基础上,把各向异性的医学图像恢复为各向同性。实验表明,该模型适用于医学图像分割任务,并且与SSR相比,SI对分割模型的性能有更明显的提升。