大脑的近似对称性随病变而改变,可能导致脑结构或组织结构的改变,由于实际应用的需要,脑图像的大脑中矢状面（Mid-sagittal Plane,简称MSP）提取在图像配准、脑分割、病理检测和医学图像分类等方面都有着重要的影响。因此,脑图像的对称性分析被认为是一种很有前途和必要的技术。然而,脑磁共振图像的对称性检测仍然具有挑战性,而且经过几十年的研究仍然是一项重要的任务。目前,MSP检测方法主要有两大类,第一类是基于对称性的MSP定位,另一类是基于图像识别的MSP定位。但现有的脑对称性检测方法大多依赖于局部图像特征检测和手工特征匹配。由于脑结构特征选择的复杂性和脑MR图像中各种噪声的复杂性,基于传统特征的方法的准确性仍不能达到实际应用的要求。针对这些问题,本文基于深度学习技术研究大脑中矢状面自动化提取的框架。由于基于对称性的检测方法依赖手工图像特征,计算成本大,本文结合深度学习提出了一种基于双通道卷积神经网络的二维大脑MR图像对称性检测方法。这是第一个通过学习人脑的对称性表示来提取裂缝线的深度学习框架。与传统的基于特征的对称检测方法不同,该方法不需要任何特征检测和特定的匹配操作。使用泊松采样随机、均匀地提取若干对大脑图像块,CNN框架中的空间金字塔结构能很好的处理这些图像块可能具有不同的分辨率的问题。使用我们的双通道卷积神经网络中的两个通道,包括高分辨率和低分辨率的通道,比较基于中轴和周围结构的大脑斑块的相似性。最后,根据评分和排序方案确定最优对称轴。接着对于传统基于图像识别的大脑中矢状面提取算法难以处理各种复杂噪声、计算量大的问题,本文提出了基于自监督训练网络特征点和描述符匹配提取大脑中矢状面的算法,该算法亦适用于计算机视觉中大量的多视图几何问题。与基于图像块补丁的神经网络不同,自监督网络的全卷积模型在全尺寸上运行图像和联合计算像素级的特征点位置和相关的描述符,以自监督的训练方法,能训练出可重复性,稳定的,稠密的特征点。利用单幅MR图像的特征点和描述符欧式距离逐一匹配,通过BP网络回归的方式得出大脑中矢状面,运行时间大幅度降低。本文的基于双通道神经网络与自监督网络特征点和描述符匹配的方法都进行的实验对比,实验证明我们的方法准确率比传统方法高,提取大脑中矢状面更加准确,运行时间短。