动脉粥样硬化是心血管疾病的主要潜在原因,它已是世界重大公共卫生问题。而颈动脉作为脑的主要血流供应血管之一,是最容易发生动脉粥样硬化的部位之一。其中粥样硬化斑块的评估是预测动脉粥样硬化疾病的很重要的指标,因此利用三维（3D）黑血磁共振成像（MRI）图像进行颈动脉血管壁分割是诊断动脉粥样硬化的重要步骤,其目的就是获得颈动脉血管壁区域用于评估粥样硬化斑块。近年来,虽然有监督深度学习方法在血管分割方面取得了很高的准确性,但它们仍然有限,因为它们需要大量的标签数据和人工干预。通常3D医学图像数据由连续的二维（2D）切片构成,当面对2D标签数据不足且不连续的3D数据集时,基于有监督深度学习的方法可能会失去其有效性。此外,颈动脉血管图像通常会面临血管占比高度不平衡等问题,在面对这些问题时,深度学习也很难直接取得精确的结果。因此针对颈动脉血管壁分割中的种种难题,本文提出了一种基于从粗到细框架的颈动脉血管壁半监督自动分割方法。本文的主要研究内容如下:（1）本文提出了一种新的从粗到细的框架,有效地解决了在血管医学图像中由于血管太小导致的血管占比高度不平衡的问题。与其他将粗分割结果进一步精细分割的从粗到细的框架不同的是,本文在粗分割阶段开发了一个血管重心定位模块,通过该模块可以裁剪出包含目标血管的图像块作为精细分割阶段分割网络的输入,从而实现高精度的血管壁分割。在该框架下,本文不仅提高了血管在输入图像中的占比,还无需任何人工干预。（2）本文基于交叉伪监督（CPS）这一半监督网络,在精细分割阶段提出了一种新的联合2D-3D CPS网络进行精确分割的方法,有效解决了3D血管医学图像中2D标签数据不足且不连续的问题。与单个2D或3D CPS网络相比,本文提出的精细分割模型先通过2D CPS训练得到伪标签来扩充数据集,再通过3D CPS直接对扩充后的3D数据进行训练,能够实现更加精细的分割,且能够轻松应对不同类型的数据不平衡问题。（3）本文利用了血管的连续性结构特征,在精细分割模型的3D CPS网络中提出了一种新的损失函数,相较于经典3D CPS损失函数,增加了2D伪标签的约束和血管的连续性约束,不仅缓解了3D图像块中标签稀少甚至没有的问题,而且能够帮助本文的模型更好地利用颈动脉特征,使得血管壁的分割结果更加精确和合理。本文所提的方法在颈动脉血管壁分割挑战数据集上进行了训练和评估,其分割性能要优于排行榜上第一名的方法（SOTA方法）,即平均Dice相似系数从0.775增加到0.806,平均定量评分指标从0.837提高到0.850。结果表明,本文方法可以自动生成与软件注释相当的伪标签,从而增强了数据不平衡的3D数据集以实现精确分割,具有较高的泛化性能。