由于脑部磁共振图像（Magnetic Resonance Imaging,MRI）具有非入侵性、无痛性、能够快速获取等特点,脑MRI已经成为疾病诊断、疾病跟踪、治疗评估和大脑发育监测的有效工具。重要的深层脑结构包括丘脑、海马体、壳核、杏仁核、尾状核和苍白球,他们的形态变化与很多疾病相关,对脑MRI中的深层脑结构进行分割,有助于分析各结构的形态变化,从而帮助医生诊断与治疗疾病。然而,手动分割脑MRI十分耗时且容易因为疲劳而误分割,从而导致漏诊误诊,因此半自动和自动分割方法受到了广泛的关注和研究。卷积神经网络（Convolutional Neural Network,CNN）在医学图像分割领域展现出了优秀的性能,但是边缘分割准确率低、体积小的脑结构分割准确率低以及多种脑结构联合分割准确率低的问题上一直没有得到很好的解决。本文在深度学习框架下,通过融合医学先验信息,对上述3个问题进行了改善。基于此,本文的主要工作及研究成果有:（1）针对脑结构边缘分割比较困难的问题,提出了一种图谱配准与卷积神经网络结合的脑结构分割算法。算法首先利用训练图像生成的概率图谱进行粗分割;然后对概率图谱中置信度较低的部分利CNN进行精分割。利用CNN进行精细分割时,提出了一种增强特征,考虑了目标像素点邻域内像素的类别概率。算法提高了边缘的分割准确率,增强了分割结果的标签一致性。（2）针对苍白球和杏仁核等体积小、分割困难的脑结构,提出了一种脑结构组合分割算法。算法利用脑结构的解剖特征,对分割难度比较大的脑结构进行了分割。算法提取了脑结构的相对位置特征、形状特征和2.5D灰度图像块特征,并将其进行处理后,作为CNN的输入,进行类别判断。算法使得苍白球、杏仁核和尾状核的分割准确率均有所提升。（3）针对多种脑结构联合分割精度低的问题,提出了一种融合局部信息与全局信息的算法。算法先对六种脑结构的整体区域进行定位,缩小了分割范围,再对脑结构进行联合分割。在联合分割时,提出了一种多通道、多尺度的卷积神经网络,使得网络的学习过程同时考虑了局部信息与全局信息,提高了多种脑结构联合分割的准确率。