目前,深度学习特别是卷积神经网络已经成功应用到了自然图像和医学图像分割任务中。深度卷积神经网络可以自动地从图像中提取特征,且自动提取的特征可以更好地应用到相关任务中。训练基于卷积神经网络的图像分割模型往往需要大量的训练数据,但在医学图像分割任务中,拥有像素级标记的训练数据非常少,从而制约了卷积神经网络在医学图像分割任务上的应用。为了充分发挥卷积神经网络在图像分割任务中的优势,本文提出了基于委员会查询(Query-by-committee)的自步多样性学习(Self-paced Learning with Diversity)算法。该算法可以通过选择从简单到复杂的数据训练卷积神经网络模型,提升基于卷积神经网络的医学图像分割模型的性能。本文提出的自步多样性学习算法模拟学生学习的过程,即由易到难的学习知识,充分利用有限的标注数据,在保证知识多样性的同时,提升算法的准确性。本文的工作主要包括以下方面:(1)本文提出了基于委员会查询的自步多样性学习算法框架。该框架使用委员会查询算法实现了训练数据的选择,并按照由易到难的顺序将训练数据输入到模型中,提升模型的性能。同时,该框架使用仿射传播的聚类算法,将训练数据进行无监督聚类,并在由易到难的数据选择过程中多样性的从不同聚类类别中选择训练数据,实现了数据的多样化学习,防止模型优化到局部最优解。(2)本文分别通过数值和理论证明了提出算法的有效性。在数值上,本文通过与全监督学习和自步学习算法的对比实验,说明了提出的自步多样性学习算法可以有效地提高模型的性能。在理论上,本文将提出的自步多样性学习的损失函数进行分解与分析,并结合现有凸优化和自步多样性学习理论,完成对所提出算法有效性的证明。(3)本文将提出的算法应用在三类医学图像语义分割任务共5个数据集上进行了验证。具体来说,本文将提出的算法应用到了视网膜血管分割、肺部器官分割和电子显微镜下的细胞核分割任务中。实验结果表明提出的算法可以显著地提升基于卷积神经网络的图像分割模型的性能,同时可以让模型在相同的训练数据下获得更高的Dice评估指标、表面距离和平均交并比值。