脑动静脉畸形（Arteriovenous Malformation,简称AVM）是脑血管组织中的畸形团,属于一种先天性局部脑血管发生学上的变异。脑血管的畸形区域将导致颅内出血、癫痫发作等多种疾病。因此脑动静脉畸形的精确分割,可以辅助医生对相关疾病进行医治,缓解医生工作压力,为病人提供更准确的诊断。核磁共振成像（Magnetic Resonance Imaging,简称MRI）作为先进的医学影像采集技术,采集到的影像不仅具有较高的分辨率,还能提供分辨率高、对比度丰富的三维脑组织信息。所以,利用核磁共振图像实现脑动静脉畸形的精确分割,并在其之后定位到相应功能区的研究,成为医学影像领域的一个重要任务。脑血管分割的方法目前主要分为以下几类:人工分割、半自动分割和全自动分割。人工分割方法十分复杂、耗时,医生需要对空间结构复杂的脑血管反复翻转多角度观察,而且容易出错。半自动分割方法则依赖相应的分类器、优化器等辅助工具,但精度差强人意。本文先通过深度学习方法对AVM病灶脑血管区域进行分割,并在此基础上,将分割好的图像标注为脑语言区是否损伤以需要进行手术两类,基于与这两类样本的相似性度量,对新输入的分割图像进行分类。对于AVM病灶脑血管分割部分,考虑到脑血管的形状特征过于复杂,以至于忽略空间信息的二维神经网络很难在这一任务上有较好的表现,本文选择采用引入了空间信息的三维神经网络网络进行AVM病灶脑血管的分割。由于3D U-Net模型能通过跳跃连接和U型结构更好地综合浅层特征和深层特征,因此我们最终选择3D U-Net作为该部分的分割模型。对于基于图像间的距离度量对分割好的图像进行脑语言区损伤分类的部分,考虑到直接在三维空间下计算相似性会占用大量内存,耗费大量时间,本文提出了一种通过“三视图”的数据降维方式来提取特征的方法,并基于人脸识别场景中不同主体间距离的度量提出了适用于本文研究场景的距离度量方式。在验证过程中,根据误分类样本分析了这一分类方法的局限性,并与三维空间下的相似性度量方法做出比较。