我国社会正逐渐步入老龄化,以阿尔兹海默症为代表的精神疾病正在危害老龄人群的生命健康。海马体作为大脑神经系统的重要组成部分,其体积结构的变化正是诸多精神类疾病早期病灶的临床特征之一,所以实现海马体MRI图像的有效分割对于相关精神疾病的诊断与治疗有着十分重要的意义。然而传统通过人工的方式对海马体图像进行分割,不仅对操作人员的专业水平要求高,而且易受主观因素等影响出现误分割情况。因此如何利用深度学习技术自动化分割海马体是医学图像处理的一个重要研究方向。本文针对海马体图像存在的体积小、形状不规则、轮廓不清晰等特点,提出一种结合全局空间注意力机制和边界细化损失函数的双阶段特有特征深度融合改进分割算法,主要贡献有:（1）针对MRI图像中海马体相比于全脑体积过小引起的类不平衡问题,提出了一种双路全局空间注意力机制GSA（Global Spatial Attention）:一路基于非局部均值去噪滤波思想,通过高斯函数计算图像任意像素点间的交互直接捕捉远程依赖,突破卷积操作相邻点的局限性,能扩大感受野至整个特征图谱,获得全局上下文建模能力;另一路压缩特征通道并激活获得空间权重谱图,通过施加于特征图完成空间信息校准,最后通过广播机制与全局信息进行融合实现了对海马体目标区域的精准定位。（2）针对海马体图像存在的边界轮廓不清晰问题,基于离散优化技术计算梯度流动的曲线演变原理,提出了边界细化损失函数。通过预测值与标记值在空间域中积分进行轮廓度量,最小化两边界之间的L2正则距离平滑边界分割过程。此外,论文还提出了特有特征深度提取模块SDC（Special Deep Conv）,针对不同尺度图像蕴含空间细节信息不对等的特点,在维持高分辨率的同时采用bottle-neck进行特有特征提取,并在上采样过程对此类损失的空间信息进行补充,提高分割精度。（3）提出一种面向海马体的双阶段深层特征融合网络。该网络将海马体自动分割任务划分为两个阶段:在第一阶段,基于Ghost模块思想,以低廉成本运用一系列线性变换生成能充分揭示内在特征信息的幻影图以构建轻量化网络模型对海马体图像进行快速分割。第二阶段再将粗分割结果输入经过改进的U-Net网络以实现分割进一步的精细化。论文将以上内容在公开数据集NITRC上进行了训练和测试。实验表明相比于U-Net++等网络,本文提出的算法模型对海马体区域的关注更为精确,对边缘轮廓的纹理更为敏感,Dice相似度有明显的提升,有效解决海马体图像分割类不平衡、精度不高等问题,为临床探索一种新的智能海马体分割方法。