核磁共振技术（Magnetic Resonance,MR）是一种无辐射的高分辨率成像技术,所成影像包含丰富的信息,因而被广泛应用于腰椎组织疾病的研究和临床诊治中。随着MR的普及以及中老年人腰椎组织疾病发病率的增加,腰椎MR影像的数量和规模也在迅速提升,给相关医生带来繁琐且重复的工作。因此,腰椎MR影像的自动分割技术在椎体和椎间盘疾病的研究,诊断以及预后治疗中有着极大的应用价值。目前传统的自动分割算法虽然可以对腰椎区域进行大致的分割,但是由于腰椎MR影像中目标位置连续且集中、边缘特征丰富以及腰椎组织的形态存在个体差异等问题,传统算法的分割性能并不理想。另一方面,现有的基于深度学习的分割算法无法充分地利用到腰椎MR影像中的多尺度与多模态信息,限制了其对目标区域的定位和识别能力。针对上述问题,本文基于深度学习的方法,对如何改善腰椎MR影像中多尺度和多模态信息的提取、融合以及表达进行了深入研究,从而提升算法在腰椎MR影像上的多标签分割性能。本文的主要工作及贡献如下:（1）提出了一种用于单模态腰椎MR影像分割的多尺度上下文信息聚合U形网络,其主要特点是在U形网络中的跳连结构上引入了一个的多尺度上下文信息融合模块。实验结果表明,该模块能够有效聚合来自输入特征图中的多尺度上下文信息,从而提高网络对目标区域的定位和识别能力。（2）提出了一种用于改进多模态特征融合的自适应分组融合模块,并基于该模块设计了一个新型的双通道U形网络用于多模态腰椎MR影像的多标签分割。实验结果表明,该模块通过对不同模态的特征采取分组融合与通道自适应加权的策略,减少了特征聚合过程中的参数量同时提高了融合模块的鲁棒性,有利于提取到有效的跨模态特征。（3）提出了一种新型的多模态分层融合网络,通过从多模态MR图像中学习稳健的特征表示来改善腰椎组织的分割。在该网络中,本文基于自适应分组融合模块来构建了一种新的分层融合结构。该结构能够对来自不同模态、相同层级的特征进行融合,并将每一层级生成的跨模态特征连接到不同模态的编码路径上以更好地指导多模态的学习。实验结果表明,所提出的分层融合结构在多模态腰椎MR影像分割任务中优于其它多模态融合结构（输入级融合结构、层级融合结构和决策级融合结构）。