脊柱相关疾病是人体最为常见的疾病之一,脊柱的损伤涉及人体百余种相关病症。近年来脊柱疾病发病率逐年增高,且呈现出年轻化趋势。脊柱疾病检查的首推方法便是CT成像检查,其特点为图像清晰,无影像重叠,密度分辨率高等。通过计算机辅助诊断系统对脊柱CT图像分析可以帮助医生更准确高效的诊断,减少因人工干预造成的失误。然而,由于人类脊柱形状复杂、近邻结构相似、椎骨之间以及椎骨与周围组织的空间相互关系、病理的多样性以及个体差异性,椎骨的自动分割难度较大。鉴于上述脊柱分割中存在的问题,本文提出一种基于多尺度特征和注意力机制的脊柱CT图像分割网络,用于完成脊柱CT图像自动分割任务。首先,使用窗宽窗位调节、自适应局部区域伸展直方图均衡化和双边滤波对脊柱CT图像数据集进行预处理操作。然后,设计一种基于MA-WNet网络的脊柱CT图像分割模型,针对脊柱形态的不规则性和型变的高复杂性,在编码及解码阶段加入多尺度特征提取模块增强网络对多尺度的特征提取能力,同时加入注意力机制降低分割过程中其他无用信息的干扰。最后,在MA-WNet网络模型上进行脊柱CT图像分割实验,通过消融实验对各个子模块性能进行验证,通过对比实验与其他深度学习分割模型进行比较,并对其分割结果进行检验和分析。实验结果显示,本文所提出的方法在CSI 2014数据集上分割结果的DSC为94.53%,Io U为90.53%;在VerSe 2020数据集上分割结果的DSC为91.38%,Io U为84.22%。通过在CSI 2014和VerSe 2020两组公开数据集上与其他算法的对比实验结果表明,本文所提出的方法在准确率上优于其他算法,且图像的边缘细节及轮廓信息保持完整,具有一定临床应用价值。