多发性硬化症(Multiple Sclerosis,MS)是中枢神经常见疾病,在急性活动期中枢神经白质有脱髓鞘斑,陈旧病变则形成钙化斑。患者会有全身症状,严重的会致盲,记忆力下降,甚至瘫痪。目前检测MS最有效的辅助诊断手段就是磁共振成像(Magnetic Resonance Imaging,MRI)。由于专家勾画MS病灶所需时间长,难度大,实现自动分割非常有必要。针对这一问题,本文提出基于深度学习的MS病灶识别及分割方法。所进行的主要工作如下:(1)对当前图像处理技术进行研究,通过分析研究大量相关文献,对问题背景和国内外研究近况做出分析,并对现在常用的方法作了总结比较。(2)对CNN的基本原理进行介绍,简述了神经网络的发展历程以及CNN各组成部分的基本原理及其作用。(3)提出了基于CNN的MRI图像分类方法以识别脑部MRI图像的MS病灶。首先对MRI图像进行了去脑壳、偏移场校正和配准等预处理,然后对AlexNet模型作了改善,提出一种新的网络模型用于分类。此外,我们还使用了ImageNet大型数据集先进行了预训练,然后根据迁移学习的原理,将预训练得到的网络参数迁移到改进网络,经过微调处理,输入经过预处理的MRI图像作训练和测试,最终实现病灶识别。(4)提出了基于FCN的MS病灶图像分割方法。首先介绍了本文所用的网络结构以及FCN实现图像分割的关键——上采样的原理,使用超像素算法对图像进行了预分割,最后与现有方法的分割结果作对比,同时对病灶体积作了估算。