多器官分割已在临床实践中被广泛使用,但是在医学图像中标注多个器官的分割标签既浪费精力又耗费时间,所以现有的带有全标签的多器官数据集样本量通常很少。而大部分的数据集都仅仅被部分标注或只标注单个器官。现阶段的器官图像分割方法很大程度上依赖于已有数据的分布情况,数据量越大越代表着更具泛化性的数据分布,因此需要一个能够利用多个不同来源部分标签数据集共同训练分割的算法。本文就部分标签数据的多器官分割算法展开了研究。本文调研了目前已有的多器官分割算法,其中包括了基于多图集、基于先验分割和基于深度学习等多种技术路线方法;调研了半监督学习算法在分类、识别和分割等多种场景下的研究;调研了深度学习在医学图像分割中的发展现状,包括常用的深度学习模型、深度学习模块、数据处理方法等。本文研究了如何从部分标签数据集的联合中学习多器官分割的单个网络。本文特别针对这种情况设计提出了:（1）两种新的损失函数:边际损失和排他损失。因为部分标记图像的背景标签实际上是所有未标记器官和在完整标签的意义下“真实背景”的合并背景标签,所以此合并背景标签的概率应为所有所囊括区域的边际概率。可以将这种边际概率插入任何现有的损失函数（例如交叉熵损失,骰子损失等）中以形成边际损失。利用器官不重叠的事实,本文提出排他损失以衡量标记器官与未标记器官的估计分割之间的差异。在肝脏,脾脏,左,右肾,右肾和胰腺的多器官分割中对五个基准数据集的联合实验表明,使用本文新提出的损失函数可以为前沿技术带来显著的性能改善,而无需引入任何额外的计算。（2）可以进行多个部分标签数据集学习、自适应共享特征的结构交叉共享卷积层。交叉共享卷积层可以利用每个任务各自分支网络学习到的图像特征,通过交叉共享卷积实现特征间的自适应共享,最后达到多数据集并行学习的目的。在肝脏,脾脏双目标的器官分割实验中表明,本文使用的共享交叉卷积可以通过共享特征来进一步提升分割效果。通过本文从损失函数角度和网络结构角度分别提出的两种方法,同时使用多个部分标签的器官分割数据集来训练多器官分割网络,有效的提升了网络的性能,并且在对比现阶段同样使用多个部分标注数据的方法中获得了较好的结果。