近年来,随着手机、电脑等技术的发展,人类生活、学习和工作都处于久坐的状态,以此导致的后果就是腰椎疾病在人群中普遍存在,成为影响人们日常生活的主要疾病之一。在诊断腰椎疾病时,常常需要专业人员手动标记椎间盘的位置,在图像数据与日俱增的今天,这种方法已经不合时宜。本文研究以较少的人工交互和全自动的方法对T2加权的核磁共振（Nuclear Magnetic Resonance,MR）腰椎图像进行椎间盘定位与分割的算法,缩短人工标注时间,减轻医生的工作量。本文的研究内容如下:（1）在对MR腰椎图像进行椎间盘定位时,针对图像灰度分布不均,背景复杂等特点,提出了基于宽度学习的椎间盘定位算法。训练好网络模型之后,采取从左到右,从上到下的战略,用滑窗遍历待定位图像,判断滑窗中的图像块是否为椎间盘,记录判断为椎间盘的当前滑窗的中心坐标。在确定椎间盘最终定位坐标时,先用线性回归去除错分的孤立坐标,然后用模糊C均值聚类（Fuzzy C-Means,FCM）算法得到聚类中心,并依据腰椎图像中椎间盘间隔的统计特征,调整第一个椎间盘的定位坐标,得到最终的椎间盘定位点。（2）在对MR腰椎图像进行椎间盘分割时,针对部分椎间盘与软组织粘连,左侧边缘模糊,上下边缘模糊的特点,提出了融合先验形状的Chan-Vese（CV）模型。该方法将先验形状引入到经典CV模型的能量泛函中,用先验形状约束曲线的演化,提高分割准确率。在提取先验形状时,提出了结合外轮廓和髓核的方法。根据椎间盘左侧边缘有多余连线的特性,采用卷积算子去除粘连,并使用最大类间方差算法计算阈值,对图像进行阈值分割,得到椎间盘外轮廓分割结果。针对图像中部分椎间盘上下、边缘模糊的特性,采用圆形均值滤波处理后的图像与原图像做差的方法,达到增强图像边缘的目的,然后用形态学运算和区域生长得到髓核的分割结果。提取椎间盘先验形状就是将获得的外轮廓和髓核的分割结果叠加,并经过形态学处理,填补空洞。（3）针对整幅MR腰椎图像,本文了利用了一种改进的U-Net网络对其进行分割。由于U-Net网络层数不深,分割结果中存在大量的过分割和欠分割,分割准确率不高。本文通过增加网络层数来改善分割效果,为了避免网络性能退化等、参数数量过大等问题,将残差网络（Residual Network,ResNet）中的“捷径”概念引入U-Net网络,并且新增一条收缩网络,构建新的网络模型ResU2/3-Net。将完整的MR图像以及对应黄金标准作为训练集输入,训练网络模型,输出预测的椎间盘区域概率图。该方法实现了全自动的椎间盘分割,提高了分割准确率。实验数据表明,在MR腰椎图像上,基于宽度学习的椎间盘定位算法能够有效的定位椎间盘区域,人工标注的定位点和由本算法得到的定位点之间的欧式距离平均为3.9865,避免了错定位和漏定位。融合形状先验的CV模型和改进的U-Net网络都能得到较为精确的椎间盘区域,DICE系数分别为0.9225和0.9357,分割准确率分别达到96.38%和95.73%。