脑结构对于人体来说至关重要,深层脑结构包括海马体、丘脑、苍白球等,脑结构异常会导致阿尔兹海默症、帕金森综合症等疾病,因此对脑MR图像深层结构的分割研究,不仅可以尽早确诊病情、及时治疗,还能辅助医生进行诊断、减少工作量,意义重大。但是由于脑MR图像的灰度不均匀性,脑结构边缘模糊和部分容积效应等特性,脑MR图像的自动分割仍然具有挑战。本文深入研究了基于稀疏表示和深度学习的分割算法,对不同脑结构进行三维自动分割。本文的主要工作及研究成果有:（1）研究并实现了结合图谱标签先验稀疏表示的分割算法。针对脑结构周围组织复杂,提出了基于特定标签的图像块分离稀疏表示算法,将灰度图像块根据标签分成一组互补的图像块,增强了图像块的边界判别性;根据标签中目标结构在待分割区域的分布概率,自适应设置阈值对稀疏表示的结果进行二值化处理;并且将分割后的不稳定区域结合不同尺度信息重新分类。通过定性和定量分析证明结合标签先验信息可以提高算法的分割精度。（2）针对脑结构形状复杂,脑图像亮度不均一、对比度低等问题,提出了结合纹理结构特征和深度学习特征的稀疏表示分割算法。在稀疏表示框架中,增加多层次灰度特征,提取了图像块的有效信息;融入基于纹理结构的方向-尺度描述子特征,改善了脑图像灰度不均匀问题;通过卷积神经网络提取深层次特征,提高了复杂脑结构边缘的分割效果。实验证明,融合多种特征可以解决灰度图像块信息单一、不准确的问题,改善分割效果。（3）针对深度学习中三维网络样本需求量大、效果差,二维网络提取信息不充分等问题,提出了基于多角度协同网络的脑结构分割算法。将三维脑结构图像按多角度进行切片,输入到二维网络中;得到输出概率图与原图像拼接作为三维网络的输入,以加强网络训练;然后将二维网络输出和三维网络输出协同融合,得到最终结果。该算法能利用图像的全局信息,并且提取多个角度的信息,使得图像细节得以保留。同时网络将二维图像和三维图像协同训练,可以很好提取到脑结构图像的切片内部和切片之间的信息,减少对样本的需求量,提升了算法的有效性。