近年来神经外科手术的医学影像导航技术发展十分迅速。影像导航为外科医生提供了必要的工具,能更好地显示患者大脑的解剖结构信息,以及这些结构的位置关系。利用磁共振血管造影技术（Magnetic resonance angiography,MRA）,可以实现脑血管分割和血管结构的可视化。脑血管的准确分割可以辅助神经外科医生进行手术规划或制定治疗方案。深度学习是近年来火热的一种机器学习方法,该方法能根据数据自动提取有意义的特征,实现脑血管自动分割。有研究利用深度学习方法实现脑血管分割,体现出较好的分割性能。但是这些研究大多数只考虑颅内血管,而忽略颅外血管。图像的多视角信息、多种MRA参数可以从不同角度反映脑血管信息,两者相互结合可提供更鲁棒的血管特征,得到更精确的脑血管分割结果。本研究拟基于深度学习方法、多视角和多参数等知识,设计充分利用上下文信息的网络以实现准确的脑血管分割。本文开展三个方面的研究。（1）基于几种常见的传统分割算法进行脑血管分割,其中手动选取阈值的方法较好,平均Dice相似系数为73.3%,敏感度为64.2%,精确度为86.6%,平均95%豪斯多夫距离为4.6mm。但是传统算法难以准确分割颅外血管、低强度血管以及细小的血管等。（2）以2D Unet深度学习网络结构为基础,搭建两次级联2D Unet网络、三次级联2D Unet网络、级联多视角2D Unet网络。结果显示,基于级联多视角2D Unet网络的脑血管分割性能较好,平均Dice相似系数为90.3%,敏感度为87.5%,精确度为93.2%,平均95%豪斯多夫距离为0.95mm。这证明了综合利用多视角（横断面、矢状面、冠状面）信息和网络级联的有效性。（3）以Unet++及Res Net结构为基础,搭建多参数2D Res Unet++网络、多视角多参数级联3D Unet网络和级联多视角多参数3D Res Unet++网络。结果显示,基于级联多视角多参数3D Unet++网络的脑血管分割性能最好,平均Dice相似系数为91.4%,敏感度为90.2%,精确度为92.7%,平均95%豪斯多夫距离为0.58mm。以上结果表明,综合利用多个视角、多种参数图像以及三维图像的空间信息的级联网络,可以初步解决头颅头皮血管、低灰度值血管以及细小血管难分割的问题。本研究成功提出基于MRA图像和多参数多视角级联深度学习网络的脑血管分割的网络模型,实现了较准确的脑血管自动三维分割。所提出方法有望提供准确的三维脑血管分割结果,辅助神经外科医生进行手术规划和制定治疗方案。