在医学研究的各个领域,如放疗靶区勾画、外科手术计划等,准确的器官分割都是不可或缺的重要一环。随着深度学习的发展,越来越多基于卷积神经网络的医学器官分割方法被提出,并取得了很好的效果。然而现有大部分网络方法没有明确地对分割目标（器官）的局部几何信息或位置信息进行建模,不仅缺乏可解释性与可靠性,而且难以针对网络失败的模式进行改进。现有研究尝试结合先验信息以约束网络的分割结果,虽然其结果具有更好的解释性,但还存在一定问题:这些方法大都采取边界框提取感兴趣区域后精细化分割的框架,但边界框的使用不仅存在位置上的偏差,而且不能实现端到端训练;此外,部分研究从损失函数角度约束网络拟合结果,但这种方式的约束能力十分有限。为了解决上述题,本文提出基于位置先验信息的器官分割方法。具体的工作分为两个方面:第一,针对单器官分割方法提出Ex Net网络,利用器官轮廓极值点（最左,最上,最下,最右）以及中心点对器官外观进行建模,建立位置先验模型。此外,使用多任务学习框架同时学习预测五个点的位置信息以及器官的分割图信息。结合极值点提供的位置先验,分割网络可以知道准确的分割位置,从而提高定位置信度与分割准确度。第二,针对多器官分割方法提出Re Net网络,利用较易被精确分割的大器官指导分割精度较差的小器官。具体地,使用两阶段网络:在第一阶段网络中对大小器官之间的相对位置关系进行建模,并且优先预测大器官的分割图信息;之后,利用大器官与其相对位置上的先验信息确定小器官所在的感兴趣区域并从原图进行定位与裁剪;第二阶段网络单独负责小器官的精细化分割,并将最终结果进行融合。实验结果表明位置先验信息的利用可以有效的改善网络的分割准确度:在CHAOS于Li TS两个肝脏单器官挑战中,本文提出的方法分别获得了0.952与0.953的分割准确度;在Struct Seg2019多器官分割挑战中,本文提出的方法则是获得了0.849的分割准确度,并且对于小器官的分割效果提升较大。本文提出的两个方法均是通过对位置信息进行了建模并将其作为约束分割结果的先验信息与一般分割网络进行融合,因此在一定程度上使网络具有了语义可靠性与鲁棒性。