随着社会发展与生活水平的逐步提高,超重和肥胖已经成为全球性问题,由肥胖引起的脂肪肝、癌症以及代谢类疾病已经严重威胁人类健康。为了对人体肥胖及其程度进行精准的定量研究和综合分析,人体全身脂肪组织和肝脏图像分割就尤为重要。然而,目前大多数全身脂肪和肝脏图像分割算法存在分割效率较低及分割效果较差的缺陷。因此针对此类分割算法存在的问题,本文以全身脂肪及肝脏磁共振（Magnetic Resonance,MR）图像为研究对象,设计并实现了基于U-Net+的全身脂肪及肝脏MR图像全自动分割算法,具有重要的临床意义和广阔的应用前景!主要研究内容如下:首先,针对传统U-Net分割网络存在的不足之处,设计添加Batch Normalization层和Dropout层,搭建了全新U-Net+分割网络,并引入混合损失函数优化网络分割性能。其次,在全身脂肪图像分割研究中,提出一种基于U-Net+分割网络的全身脂肪MR图像分割算法。利用磁共振影像技术创建全身质子密度脂肪分数（WB-PDFF）MR图像数据集,以避免B1磁场不均性影响;利用WB-PDFF数据集对U-Net+网络进行训练并加以优化,实现全身脂肪MR图像分割,提取出皮下脂肪组织和内部脂肪组织。然后,在肝脏图像分割研究中,设计并实现一种基于U-Net+网络的肝脏MR图像分割算法。创建剔除血管的肝脏（VF-Liver）MR图像数据集,以排除血管对肝脏器官分析的影响;利用VF-Liver数据集对搭建的U-Net+分割网络进行训练及参数优化,实现剔除血管的肝脏MR图像分割。最后,利用三个评价指标DICE相似性系数（DSC）、准确率（PR）和召回率（RR）对全身脂肪及肝脏分割算法进行评价,评价结果分别是DSC为0.976,PR为0.978,RR为0.978以及DSC为0.948,PR为0.949,RR为0.938。实验结果表明,本文提出的全身脂肪及肝脏MR图像分割算法性能较为优越,分割结果较为精准。