类风湿性关节炎是一种无法根治并可引起多种并发症的严重多系统免疫性疾病。滑膜增生是类风湿性关节炎的病理性改变之一。滑膜增生不仅侵犯人的四肢关节滑膜组织还会破坏人的神经、血管等重要器官组织,通常表现为滑膜充血、水肿、渗出。滑膜增生侵蚀组织并伴随有积液扩散,严重情况下容易导致关节处神经坏死。因此如果能够在疾病早期确诊并采取对应的治疗措施对于改善骨关节的侵损程度,减低或延缓致残率有着相当重要的医学价值。磁共振成像（Magnetic resonance imaging,MRI）与电子计算机断层扫描（Computer tomography,CT）图像或彩色超声图像相比对软组织成像清晰度更高并且能够在任意方向成像,因此MRI的滑膜影像在一定程度上能更清楚地显示出关节部位的变化以及滑膜增生情况。为了能够准确地分割出滑膜病灶区域并制定有效的治疗方案,需要医生手动对MRI图像进行标注,这种方法存在以下两个问题:一是耗时过长并且效率低下,对滑膜的分割需要对边界进行细致的判断,手动分割滑膜边界进行调节,对精力以及注意力的要求很高;其次不同医生对同一张MRI图像因为过往经历不同会产生不同的判断,这种方式主观性强,在对滑膜具体情况分析时可能会不太准确。近年来,不少研究在网络架构上有了重大突破,深度学习分割算法精度也越来越高,与此同时也被广泛地应用到了医学图像领域。而以往的深度学习模型例如UNet、Res UNet等进行滑膜增生的检测,虽然效率相较医生手动勾画效率更高,但是因为滑膜病变区域没有固定规律并且病灶大小不一,所以模型存在精度低、训练成本高、鲁棒性较差等问题。为了得到一个精度高、训练成本低、鲁棒性好的网络模型,本文提出了一种新的网络,即Dense-UNet++,将Dense模块插入UNet++网络中,并使用Swish激活函数进行训练。利用来自两家医院77个病例1104张滑膜磁共振图像数据增广后的14512张滑膜图像对网络进行训练,最后模型平均分割精度可以达到DSC系数99.31%,性能与Res UNet算法相比大幅提升,其中精度提升29.33%,训练时长降低47.3%,振荡系数（鲁棒性能评估指标,越小越好）降低93.75%。结果表明,本研究算法可以对滑膜增生区域进行分割并得到所占面积,辅助医生计算滑膜容积并制定相关治疗方案。