随着社会人口老龄化的加剧,以阿尔茨海默症为代表的神经退行性疾病严重影响了老年人群的生命健康及生活精神。阿尔茨海默症、轻度认知障碍、颞叶癫痫的出现往往伴随着患者海马体体积的萎缩。因而分析海马体体积是诊断和研究这些疾病的关键,而分析海马体的首要条件则是将其从磁共振图像中分割出来。由于海马体具有形状不规则、体积小、边缘模糊等特点,一般的分割方法往往难以获得满意的分割效果。基于深度学习理论和技术,本文提出了结合序列学习和U型网络的海马体分割方法以及二阶段海马体分割方法。结合序列学习和U型网络的海马体分割方法利用序列学习将图像序列间的依赖信息引入二维语义分割网络中,以充分利用图像的三维上下文。此外,针对任务中可能存在的样本平衡问题,本方法通过在网络训练阶段加入类别权重参数的方式来进行改善。在ADNI数据集上的实验验证了方法的性能和稳定性。与普通U型网络的对比实验验证了引入序列学习结构的有效性,而网络可视化技术则验证了网络学习的合理性。基于深度学习的二阶段海马体分割方法包括定位阶段和分割阶段,每个阶段包含两个步骤。在定位阶段,利用一个训练好的二分类网络筛选出包含海马的切片。然后根据筛选出的切片生成多尺寸的候选区域。在分割阶段,将候选区域输入分割网络,生成包含多上下文信息的预测概率图。然后将它们融合图来生成某一视角下的分割掩码。以上过程在三个正交视角中重复。最后,通过多视角决策,聚合三个视图的分割图,获得最终分割。在ADNI数据集上的定量评估证明了方法的有效性和合理性。在与相关工作的比较中,本方法也取得了较好结果。