大型CT设备已经成为各家医院的必备的医疗仪器，并为临床医师诊断病情提供了坚实的依据。但是目前的CT诊断方式还是基于人工观察，计算机辅助水平不高，CT数据的保存和传输等周边设施投入不足，大量的CT数据没有记录Meta信息，而且在未得到充分利用前就丢失了。 本课题要研究并探索一种不依赖特殊设备，完成针对病变区域的自动定位分割(APS)的方法，同时具有较高的自动化水平和人机交互效率。这样能够改进并提高目前医院CT人工诊断的效率，而自动定位病变区域并提取能够使计算机自动识别所保存数据的Meta信息，同时为其它依赖ROI输入的计算机辅助诊断方法提供自动化的预处理方法，更好的为医生、患者和计算机服务。 本课题首先对现有CT人工和计算机辅助诊断方法以及流程进行研究，并向专业医师学习了中耳炎CT诊断的经验和技巧，协助别的课题组完成了中耳区域的人工分割；然后继承吸收了APS技术的研究现状，并总结了APS的基本计算模型，提出了以模板匹配和区域提取为核心的针对三维医学图像病变区域APS算法框架。算法通过重采样和刚性配准等算法实现体数据标准化(VDS)，将标准化样本进行统计运算生成正常人CT模板，使用金字塔Demons配准(PDR)和双模式区域提取(DRE)算法完成模板匹配和病变区域的提取。在算法实现中，还在Volview和ITK的基础上实现了双模式(交互和批处理)中耳病变区域APS插件。在中耳区域自动提取应用中，病变区域APS提供了近似于人工分割的结果；通过和其他自动分割算法的对比实验，也显示出更好的性能和交互效率，整个课题的研究成果得到了验证。