据调查显示癌症是威胁人民身体健康的病因之一,治疗费用昂贵且不易治愈,而放射线治疗是治疗癌症的有效手段。放射治疗的成功很大程度上取决于对肿瘤的准确照射和对周围高危器官的保护。为了将规定的剂量输送到靶区,减少健康器官受辐射的影响,高危器官的分割对于放射治疗的正确规划至关重要。在临床实践中,分割由专家手动执行以规划放射治疗,手动分割既耗时又繁琐,结果可能因专家而异。自动分割技术可以提供准确稳健的结果,帮助医生在更短的时间内分析出放射治疗期间给予靶区的剂量。由于软组织器官图像具有低对比度、不同患者的器官大小可变、不同器官形状之间的差异性等因素,实现高危器官的自动分割是一项具有挑战性的任务,因此针对多器官的自动化分割成为医学图像领域研究的热点。随着深度学习的发展,神经网络在医学图像处理和分割中表现优异,逐步取代了手工标注和半自动化分割算法。本文基于深度学习方法对胸腔中多风险器官的自动化分割进行深入研究,致力于解决多个高危器官与周围组织对比度低,类不平衡等分割问题。主要工作包含以下几个方面:（1）针对多器官与边界周围组织对比度低,图像存在噪声伪影,且多器官医学数据具有三维结构,3DCNN模型能充分利用空间相关特征等问题,提出了基于残差转换和像素混洗的胸部多器官三维分割网络。首先将融合残差转换模块代替普通的卷积模块,来捕获器官完整的空间背景,然后为了解码层得到高分辨率图像信息,进一步提升网络判别能力,引入像素混洗模块代替上采样,最后鉴于多器官数据的类不平衡的问题,将交叉熵分类损失和分割损失结合。（2）针对食管等小器官对比度低、体积小,难以识别,且3DCNN的模型训练耗时并对计算机性能要求较高,而2DCNN只利用图像的切片信息忽略了空间信息等问题,提出融合上下文和多尺度特征的分割算法。选取2.5D数据作为网络输入来获取切片联系,既能从体积图像中提取三维上下文信息,也能降低内存占用率,加快训练速度。同时利用高效全局上下文模块捕获单视图下切片序列间的长距离依赖关系,加强通道和空间的联系。在编码层使用金字塔卷积和密集连接的集成提取多尺度信息,多尺度特征包含详细的纹理信息和上下文信息,增强网络对特征图的辨识度。考虑到CT图像质量问题,加入深度监督来细化不同尺度的输出。（3）针对每个器官具有不同的形状和外观,且纹理、位置和形状因患者而异,通常需要丰富的远程上下文信息才能精准分割器官,提出了基于Transformer对胸部多器官进行分割。尽管CNN能够提取丰富的特征,但是完全基于CNN的方法无论是在单个切片内或者是在相邻切片间,都不足以编码远程交互信息。将Transformer与CNN进行结合,捕获全局依赖性和低级空间细节,同时引入了融合模块,有效地融合来自两个分支的多级特征。