对医学图像进行精准且快速的分割和分类,是医学诊断中一个关键的步骤。而有效的分割分类结果可以减轻医生的负担,并且提高诊断的准确性,为治疗方案的敲定提供重要的帮助。而脑部作为人体最重要的器官,对脑MR图像的分割分类尤为重要。近年来,基于深度学习的有监督图像分割方法大放异彩,在各领域分割任务上均取得了十分优秀的性能表现。但是,当此类方法处理的数据与训练数据分布差异较大时,性能会出现明显的下滑。而一些无监督的分割方法在与训练数据的分布差异较大时,表现出更好的鲁棒性,但此类方法的性能依旧有限。因此,本文的研究重点是如何对脑MRI实现精准的分割和分类。本文提出基于深度学习和矢量量化的脑MRI分割分类方法,完成自动分割和分类任务,实现了较高的性能表现。首先,为了解决在显存受限的情况下,输入图像尺寸过小的问题,本文设计了非对称3D U-Net,使得模型可以接受全尺寸图像作为输入,以学习到更为全局的图像语义信息。在应用到新数据时,该模型可以提供更加精确的分割和分类结果,并为后续步骤提供更加准确的信息;其次,为了获取边缘矢量中的体素点信息,以及更准确的边缘信息,本文提出了基于3D Sobel的边缘提取与模式划分方案,实现了对边缘的增强和提取。在子块模式进行划分时,记录边缘体素点位置信息,并将其提供给边缘子块量化;最后,为了提升非边缘矢量的特征表达能力,本文通过自监督方式对深度信念网络进行,并使用训练后的编码器对输入样本进行压缩特征表达。该方法使得最终的分割性能有了进一步提升。本文在三个三维脑MR图像数据集上进行实验,并对实验结果进行详尽的分析。实验结果表明,本文方法可以对输入数据进行准确的分割和分类。在与无监督方法相比时,本文方法可以取得最好的性能表现;在与有监督方法相比时,本文方法可以取得十分有竞争力的性能表现,而且更具有实用性。最后,实验充分验证了所提出的各个关键性技术的有效性。