人类的大脑是由上千亿个不同种类的神经细胞共同组成的极度复杂的组织结构。试图理解人类大脑的工作机制是人类追寻自然规律和自我意识的终极挑战。脑科学致力于研究分析神经系统的结构与功能,揭示各种神经活动的规律,在各个水平上阐明其机制,以及预防、诊治神经和精神疾患。核磁共振成像技术因其无损伤的优势已广泛应用于脑科学研究之中,现今大量相关科研成果均是建立在核磁共振成像数据的基础之上。本文基于深度学习算法针对脑科学中的两个重要课题——脑肿瘤分割和视觉信息解码,分别展开了深入研究。其中,脑肿瘤分割在脑部疾病诊断中十分重要。医生在对患有的脑肿瘤的患者制定合适有效的治疗方案之前,需要借助核磁共振成像确定大脑内肿瘤的位置和大小等信息。然而,直接手工对肿瘤的具体位置进行划分费时费力,且普通人无法胜任这一工作。因此,开发出简洁高效的全自动脑肿瘤分割算法对于临床医学具有极大帮助。另一方面,视觉神经科学是认知神经科学领域内的一个极为重要分支。眼睛作为心灵的窗户,科学家们针对大脑的视觉信息处理机制作出了大量的研究。对视觉信息进行解码有助于我们了解大脑视觉皮层的作用机制,为计算机视觉领域提供生物学上的理论基础。本文在这两个领域内分别提出了一种基于VAE跳跃连接的脑肿瘤分割算法和一种基于改进卷积特征的视觉信息解码算法。主要工作以及相应的结论总结如下:1.在结合变分自编码器的3D U-Net脑肿瘤分割模型的基础之上,提出了一种称为VAE跳跃连接的结构,该结构巧妙运用模型中自编码器和U-Net在结构上的相似性,融合了VAE分支解码器的位置信息与U-Net解码器上的语义信息,从而提升网络的分割精度。此外,由于医学图像的标注成本高,数据集较少,基于深度学习的模型往往存在过拟合问题。为了解决这一问题,本文提出使用内嵌于残差块中的ShakeDrop模块来对网络做正则化。实验结果证明了这一方法能在一定程度上降低网络的过拟合效应,提升网络的分割性能。2.在基于一种称为Generic object decoding算法的基础上,指出原有算法提取到的卷积特征缺乏几何不变性,并据此使用几何不变性更强的空间最大池化特征和跨通道加权特征对其加以改进。实验结果表明,提出的两种改进卷积特征明显有助于提升Generic object decoding算法的识别性能。同时,相较于原始随机抽取的特征,空间最大池化特征和跨卷积通道加权特征具有更好的鲁棒性。此外,本文提出使用对数化处理来使特征分布趋近于高斯分布,对算法中解码器的训练具有巨大帮助。