大脑作为人体最重要的器官,一些不健康的生活方式可能会导致各种脑部疾病的产生,这些疾病严重威胁着人类的身体健康。临床上通常使用核磁共振对脑部结构进行成像,之后由医生对核磁共振成像中的各个脑部组织进行区分,进而对脑部疾病进行分析。但是人工区分脑部组织耗时较长,对专业知识要求较高且可复现性较差,因此对脑组织实现自动且准确的语义分割十分重要。目前基于深度学习的3D MRI语义分割网络存在两个问题:1、多尺度脑组织或病变区域特征提取能力差,小目标检测能力弱;2、3D MRI医学数据集标注成本高,具有标注的数据较少。针对以上问题,本文提出了全新的用于脑组织语义分割的方法,具体内容如下:首先,构建了一个新的3D MRI多模态神经退行性疾病数据集。该数据集包括来自50名参与者的50组MRI图像,涵盖5种类型的样本:正常、阿尔茨海默病、轻度认知障碍、痴呆症和帕金森病,每组图像包含2种模态,以及六类分割目标:1)额叶、2)颞叶、3)顶叶、4)海马体、5)中脑、6)半卵圆中心。其次,提出了全新的基于监督学习的MRI脑组织语义分割方法,针对多模态数据进行融合,引入全新的多分支并行残差模块、注意力模块、分层金字塔融合模块,有效解决了多目标分割、多尺度分割、分割边缘模糊等问题。最后,提出了基于自监督学习的MRI脑组织语义分割方法,利用大量无标注图像进行模型的预训练,使得特征提取网络有较强的特征提取能力,之后在少量有标注数据集上进行语义分割下游任务的训练,有效解决小数据集的语义分割问题。针对所提出的方法,在已构建的基础数据集和公共数据集上进行了丰富的实验,与已有方法对比得到较好的效果,从而证实了本文方法的有效性。