临床医生常通过目视电子计算机断层扫描（CT）图像来掌握患者的脂肪水平,肉眼判断易受医生的学识、经验等主观影响,这一过程存在误判的风险。考虑到医学图像具有高精度、高专业性特点,如何让机器代替人眼在有限的标注数据下获得高精度分割模型是医学图像处理领域的热点问题。一些研究者尝试使用对抗学习半监督地训练分割模型,但这类模型训练难度大,对数据的预处理要求高,模型的泛化性能不理想,在脂肪分割领域尚未出现此类通过小样本训练的分割模型。本文的研究目标是找到一种能够基于小样本数据得到高精度结果的脂肪分割方法。本论文先提出了基于图像分类的CT图像定位方法,该方法将CT扫描得到的人体CT图像序列分类,从而准确地找到处于第三腰椎附近的CT切片。该切片可作为脂肪分割方法的输入,从而获得可供诊断脂肪水平的脂肪分割图像。实验表明该方法在脂肪分割CT定位数据集上的表现优于FCN、VGG16等模型。随后,本论文以半监督、小样本数据问题为切入点,提出了基于对抗学习的半监督脂肪语义分割方法,该方法能够同时分割人体腹部CT医学图像中的皮下脂肪（Subcutaneous Adipose Tissue,简称SAT）与内脏脂肪（Visceral Adipose Tissue,简称VAT）。为了有效提升模型对较复杂内脏脂肪的分割水平,本论文提出了一种并行任务传播机制,使得皮下脂肪分割任务能够指导内脏脂肪分割任务的训练。为了进一步提升小样本半监督训练下模型的精度,本论文提出了一种不可信区域优化机制,该机制利用对抗学习得到的冗余信息,来优化对抗学习的分割结果。结合以上两个机制,提出的脂肪分割方法在腹部脂肪数据集中,平均Dice Cofficient达到95.208%,优于其他最新的对抗学习方法。