脑分区分割是神经影像分析中至关重要的一环,也是计算机辅助进行脑部疾病检测、术前评估和手术规划等相关研究的基础。然而,人工进行脑分区标注需要大量有经验的医生且非常繁琐,极易引入人为错误。多脑分区分割是指使用同一个模型同时分割多个脑区,这比单个的脑分区分割更有挑战性。一方面,不同病人的脑部结构存在较大差异,另一方面,不同脑分区之间的尺寸差距也很明显。这对所设计的深度学习模型提出了更高的性能要求。目前,针对脑分区分割任务的神经网络模型主要以U-Net、FCN、V-Net以及它们的变种为主,这些模型的共同特点就是会将浅层特征传递到深层以弥补信息在深层网络传递过程中的损失。然而它们却忽略了粗糙特征直接与精细化特征融合会使得顶层学习困难。同时,它们也没有考虑由于多个脑分区尺寸规模存在较大差异带来的模型性能损失问题。针对第一个问题,本文在将2D U-Net扩展成3D的基础上引入了深浅特征融合模块用以精细化来自浅层的粗糙特征,同时使用短连接模块为特征传递提供更多的通道选择。经过以上的优化,具备Inception思想的I-Unet模型被提出,其对于12个目标脑分区分割的平均Dice为0.859。针对第二个问题,本文重新设计了均衡考虑不同脑分区尺寸差距的损失函数来指导神经网络的训练,使得尺寸较小的脑分区分割效果不会被模型所忽视。最终,所提出的方法对于最大的和最小的脑分区分割Dice仅相差0.126。阿尔茨海默病（Alzheimer’s disease,AD）是老年人最常见的痴呆类型,是一种典型的神经系统退行性疾病,它的准确诊断有助于在疾病早期进行干预或治疗。经过对任务以及数据特征的分析发现,神经网络中浅层特征对于AD病情诊断有着重要影响。基于此,本文提出了使用全局池化方法来汇聚图像特征,同时通过深层特征融合（Deep feature convergence,DFC）模块来联合多尺度深层特征的类3D U-Net模型（DFC-UNet）用于AD病情的诊断。最终,模型在阿尔茨海默病患者与正常志愿者（Normal control,NC）的识别任务上准确率达到了96.5%,同时在其它几个诊断任务中,模型也达到了较优的性能。众多研究表明AD与脑部的一些区域,尤其是海马区的萎缩有着密切关联,本文研究了使用脑分区分割结果来降低用于阿尔茨海默病诊断任务的模型的特征学习难度,并探索了对模型性能的影响程度。实验结果表明,使用脑分区特征能够有效提高模型性能,在AD vs.NC的二分类任务上,模型的准确率从95.0%提高到了96.5%,在所进行的四个二分类任务上,准确率平均提高了1.8%。