美国总统奥巴马于2015年在国情咨文中提出“精准医学计划”,开启了医学研究新时代。精准医疗的重点不在“医疗”而在“精准”,无疑,医学影像技术,特别是医学CT图像分割技术将为“精准”提供可靠的保障。当然,医学影像具有诸多种类,主要包括超声、CT、MRI和PET及SPECT等等。医学CT图像,俗称医学CT影像,有时简称影像。本文指的医学影像,特指医学CT影像;医学图像分割算法,专指医学CT图像分割算法。诚然,传统的医学CT图像由于包含人体生物组织的信息繁多,获取图像的时间、空间复杂度高(螺旋CT),所以不仅对CT图像分割技术难度大,而且对CT图像质量要求高。尤其是,在人体组织严重病变等异常情况下,容易出现医学CT图像的误分割。基于深度学习的医学CT图像分割技术,集成了传统图像分割处理技术的优点,即便在异常情况下也具有较高的效率,节省了算法时间和空间开销。依据深度卷积神经网络(DCNN),优化或改进现有的神经网络模型,可以有效分割出医学CT图像的人体组织,使其具有更高的鲁棒性和泛化性。本文研究工作依托于国家自然科学青年基金项目(项目编号:61401049),在深圳安科高技术股份有限公司南京分公司(联合培养为期两年)研究完成的。论文在广泛调研、深入阅读国内外文献的基础上,归纳了常用的医学CT图像分割技术的基本理论和分割标签的制作工具,完成了肺部和骨骼的标注算法。通过总结包括二维和三维等传统医学CT图像分割的常用算法,研究分析了医学CT图像的几种常用网络模型与结构,重点研究了全卷积网络(U-Net),包括2D和3D U-Net。鉴于U-Net网络结构相对简单,导致其对CT图像的特征提取相对粗糙,结合残差网络(ResNet),借以改进U-Net网络,研究了一种2.5D ResUnet网络。为此,采取了传统算法和深度学习相结合的方法,利用传统算法进行医学组织标注与修正,基于深度卷积神经网络进行医学CT图像人体生物组织的分割。基于此,开展了基于医学CT图像的人体生物组织分割研究,包括肺部、骨骼和脑出血,借助于三维形态学对人体生物组织分割后的后处理技术,实现了肺部、骨骼和脑出血较为精确的分割,获得了Dice系数分别为98.39%、91.40%、89.69%的分割结果,能够满足医学临床需求。