随着人口老龄化,神经退行性疾病的早诊断、早干预是目前临床建议的诊疗手段。而健康与疾病人群队列分析的前提条件是快速有效提取与该疾病相关的核磁共振（Magnetic Resonance,MR）脑影像标记物和解剖结构。为解决MR脑图像解剖结构标签准确提取的问题,本文提出双阶段连续性框架,包括:1)基于多角度旋转图谱图像组和主副耦合配准网络提出单图谱标签迁移算法并命名为Multi-Angle,以获取大量个体图像的参考标签;2)基于参考标签和特征矫正模块,构建并训练获得全脑解剖结构深度学习分割模型Flow-net。在第一部分工作中,首先,对公开的专家标注MR脑影像Mindboggle101数据集和FreeSurfer标注人类脑连接组计划HCP数据集、OASIS数据集进行预处理,在重复实验中随机选取个体图像及标签作为图谱图像及附属标签;其次,对初始图谱图像施加旋转变换,获得旋转图谱图像组;随后,为主配准网络送入合并后的初始图谱图像与其他个体图像,预测形变场及候选标签;然后,为副配准网络送入合并后的旋转图谱图像与个体图像,结合主网络相关特征预测候选标签;最后,通过投票法融合多个候选标签来获得个体图像标签。实验结果显示,本文提出的Multi-Angle算法在3个测试集上重要解剖结构的Dice相似性系数平均值分别达到76%、82%和87.5%,Precision平均值达到74.0%、77.8%和87.0%,以及平均表面距离（Average Surface Distance,ASD）平均值达到0.83mm和0.69mm和0.57mm,均优于目前的主流算法Voxelmorph和Ants-SyN。在第二部分工作中,为缓解深度学习分割模型对专家标注的过度依赖,利用上述工作产生的参考标签及对应图像训练基于特征矫正模块的分割模型Flow-net。首先,利用上一步算法生成训练、验证集的个体脑图像迁移标签;随后,将数据划分为五折进行交叉验证;最后,使用上述标签训练基于特征矫正模块的分割模型Flow-net,并使用多个交叉验证模型在测试集评估性能,求平均值。与金标准结果相比,本文提出的Flow-net在3个测试集上多个重要脑解剖结构的Dice相似性系数平均值分别达到78.2%、83.0%和88.8%,Precision平均值达到78.2%、80.6%和88.6%,以及ASD平均值达到0.79mm、0.67mm和0.56mm,均优于主流算法Unet和Vnet。结果表明,本文提出的Multi-Angle模型可以有效提升基于脑图谱的标签迁移准确度;基于上述模型获得的参考标签,提出分割网络Flow-net进一步提升脑图像解剖结构提取准确度,对实现神经退行性疾病分析所需的影像特征提取具有临床应用潜在价值。