基于解剖段的精准肝切除术在实现肿瘤根治性清除同时能够有效减少健康组织的损失,从而提高患者生存率。精确的肝脏外科解剖功能区域分割是成功实施该手术非常重要的一步,分割结果能够辅助医生对患者进行术前风险评估,如肿瘤在功能子区域的局部定位和术后剩余肝脏的体积估算,从而帮助外科医生制定最优手术方案。肝脏外科解剖功能区域分割,旨在基于血管解剖将肝脏分割成具有细粒度语义的多个区域。传统的计算机辅助分割方法不仅步骤繁琐、费时,而且严重依赖于其它解剖信息的成功检测。近年来,随着深度学习的迅猛发展,有学者将基于卷积的深度学习应用于肝脏外科解剖功能区域分割,其以纯数据驱动的方式直接端到端地对医学图像进行快速分割,从而避免了传统分割方法对先验解剖信息的依赖。然而,由于卷积的局部特性和任务的固有特性,导致该方法的预测结果存在子区域间外观及边界模糊的问题。本文主要围绕以上两个问题,开展了如下研究:（1）针对基于卷积神经网络的肝脏外科解剖功能区域分割方法中存在的子区域间外观模糊问题,本文在通用的卷积分割网络基础上设计了一个类感知模块,该模块通过借助分类分支的全局语义信息对分割结果进行加权,以抑制不同切片间的子区域间外观模糊,归一化混淆矩阵的可视化验证了该模块的有效性。此外,本文还引入感兴趣区域策略和广义的Dice损失函数以克服类别不平衡问题,引入2.5D输入模块保证该模型在捕捉空间信息的同时大大减少3D网络所需的计算量,并在电子计算机断层扫描（Computerized tomography,CT）图像上对提出的模型进行了训练和测试,测试结果表明引入这些策略有效地提高了分割效果。（2）针对低可见度血管解剖病例中子区域间的边界模糊问题,提出了一种基于空间自适应子区域中心注意力网络的全自动肝脏外科解剖功能区域分割方法。该方法设计了两个模块:改进的2.5D输入模块（空间自适应输入模块）和子区域中心注意力模块。空间自适应输入模块通过自适应选择输入CT切片以模拟医生借助相邻CT切片进行辅助诊断的过程,从而识别目标切片上难以观测的血管解剖信息。相比于传统2.5D输入模块,该模块在利用空间信息的同时保证了切片间距的一致性,从而解决不同输入图像Z轴分辨率不一致导致的分割性能欠佳的问题。而提出的子区域中心注意力模块,则通过弱化与子区域中心不一致的体素权重细化模糊边界。实验结果显示出与理论设想的一致性,验证了提出的模型即使在肝血管结构低可见的病例上也具有良好的分割结果。（3）为了同时减少不同切片间和同一切片内的子区域间外观模糊问题,本文设计了一个解剖关系推理图卷积网络框架。该框架的核心思想是将肝脏外科解剖功能区域的内在解剖关系嵌入到图的节点表示中,并使用图卷积网络显式学习解剖关系,防止不相关的子区域合并在一起。基于此,本文首先根据功能区域的标签构建了一个全连接图用于模拟功能子区域及其关系;然后根据不同功能子区域之间的解剖关系编码了一个邻接矩阵,编码的先验解剖关系被嵌入到图的中间节点表示中以显式引导框架学习,并通过图卷积网络更新节点表示,从而学习到具有判别性的节点表示;最后,通过实验验证了该方法的有效性。