近年来,人们饮食不规律和生活作息紊乱等现象使肝脏承担着巨大的压力,因此肝脏出现问题的病患也越来越多。在手术规划系统中,肝脏CT图像的分割,尤其是肝脏血管的精确分割是实施肝脏分段和手术模拟的重要基础。但是由于肝脏血管结构复杂、个体差异大、血管区域对比度低等原因,精确的对肝脏血管进行分割操作的难度很大。随着大数据时代的来临以及计算机技术的发展,深度学习方法在图像分割方面显示出强大的优越性和智能性。但是针对肝脏血管分割任务,依然存在着很多难点:1)血管末端存在很多细小的血管分支,这部分血管的分割结果较差;2)在腹部CT图像中,血管与非血管区域存在正负样本不平衡问题。在肝脏静脉系统中,肝静脉和门静脉存在体素不平衡的问题。3)血管具有连续性,在相邻的CT切片图像中存在重要的上下文信息,但普通2D的方法无法获取这些上下文信息。为了解决这些难点问题,本文做了如下的针对性研究:1)为了提升肝脏小尺度血管的分割精度,建立了一种以2D编码器-解码器网络结构为基础,加入了注意力机制、多尺度特征融合、深层监督等模块的分割模型。同时为了提升模型的测试结果,还使用了3D形态封闭操作和体积分析法对结果进行后处理。2)为了解决腹部CT图像中正负样本失衡的问题,采用了由粗到细的两阶段分割方法。粗分割主要进行血管定位,找到包围框,细分割则以包围框内的图像作为输入,进一步的对血管进行分割。为了使粗分割的定位更准确,在测试过程中,还使用了Fixed-Point方法。同时为了应对肝静脉与门静脉体素不平衡的挑战,设计了一种加权指数对数损失函数。3)为了更好的补充相邻CT切片图像间的上下文信息,使用三通道采样以及多角度特征融合策略。同时因为3D的模型可以有效地提取上下文信息,所以以2D模型为基础,进行了3D升级,并验证了分割效果。最终本文方法在肝静脉、门静脉和静脉系统上进行了一系列对比实验,结果表明本文两种模型的准确性、泛化性、稳定性和鲁棒性均好于FCN、Deeplabv3+、U-Net和3D U-Net等其他方法,说明了本文方法在肝脏血管分割方面具有一定的有效性和优越性。