脊椎类疾病是一种常见疾病。在临床诊断脊椎病变时,需要根据具体情况采用多种模态的MR成像技术对病变部分进行成像,并从影像中分割出椎块。研究自动化、高精度的椎块分割技术有助于脊椎病的临床诊断及后续治疗。采用深度学习的方法实现椎块的分割。为了提高分割的准确性,需对输入的图像进行预处理,提取脊椎感兴趣区域（Region of Interest,ROI）,减少其他组织对分割的影响。在提取脊椎ROI时,针对不同模态的图像脊椎区域特征不同的特点,将八种模态的图像自动地分为三大类,根据脊髓区域完整度最好的原则找出图像序列中的最优层图像,即椎块出现得最完整的矢状面。在最优层图像中,对不同类的图像采用不同策略来获取脊椎区域右边界,并根据脊椎右边界判断图像属于身体的部位。使用图像增强算法提高图像对比度,然后将脊椎右边界向左平移作为左边界的参考线,并在参考线附近依据Canny算子边缘检测结果获取左边界候选线,以此得到脊椎区域ROI。使用尾椎补充算法,对尾椎部位图像尾部区域ROI进行补充,获得完整的脊椎ROI区域。最后使用神经网络V-Net将脊椎ROI区域图像进行分割得到椎块分割结果。实现了多模态多部位的脊椎自动分割算法,并在算法实现后进行了优化。实验结果表明算法能够实现对椎块的精确分割,具有较短的响应时间。