如今,在临床实践中经常遇到各种脊柱变异,如移行椎、椎体阻滞等,对人们健康造成了严重的威胁,需要彻底了解这些变异,以免造成错误的脊柱手术,准确计算椎体数量是必要的。随着医学水平的提高和医学影像技术的进步,应把整个脊柱纳入影像学研究中,并对脊柱进行病理的常规临床诊断。医学图像的分割研究在临床医学领域发挥着不可小觑的作用。传统的医学图像分割方法既耗费时间和精力又导致了大量的错误,主要由医生通过现有的经验和知识进行判断并通过手动分割来完成,这种传统的分割方式具有一定的局限性。核磁共振（MRI）成像可以很敏感地检查出组织中水分含量的多少及变化,能够很清晰的显示新陈代谢过程等生理生化信息的变化,可以为一些早期的病变提供较好的诊断依据,常常会比CT成像能更有效、更早地发现病变且不会像CT成像那样产生对人体有损伤的电离辐射,基于这些优点,被广泛运用于脊柱的成像中。MRI分析师（放射科医师和骨科医师）可以从呈现的图像中迅速读出病变的部位,因此为了更加精准人体的辅助医生从医学图像中分割脊柱,选择一种较好的分割方法非常重要。本文将深度学习的方法应用于脊柱的分割中,以克服传统方法的不足,提高时效性和准确度。传统的医学图像分割算法通过利用医学图像的灰度信息进行轮廓的确认并分割,此算法的分割精度主要由目标、背景标签的选择以及能量函数的构建来影响。而且容易出现过分割和欠分割的情况,因此不适用于脊柱MRI图像的分割。深度学习算法在医疗领域发挥着重要的作用,具有应用研究意义,在医学图像分割、识别和分类中表现卓越。本文根据脊柱核磁共振（MRI）成像的特点,通过核磁共振（MRI）图像中椎间盘与椎骨灰度之间的鲜明对比,提出改进的神经网络,精准地分割脊柱。我们采用的数据集是来自2019年全国医学创新设计大赛中共210个的成人脊柱核磁共振（MRI）图像,我们将这210个成人脊柱的核磁共振（MRI）图像中195个作为训练集,15个作为测试集。主要基于U-net网络对脊柱核磁共振图像（MRI）做了以下研究:我们采用了高斯滤波的方法对脊柱核磁共振图像（MRI）做了滤波降噪处理,为了扩充实验的数据集,我们对图像做了旋转、裁剪、镜像等数据增强方式,为了保证实验训练速度较快并顺利进行,我们对数据做了归一化、标准化操作。我们结合所用数据集的特点搭建了U-net网络、残差网络（Resnet）、Unet++网络、改进的Res Unet++网络对脊柱的核磁共振图像（MRI）进行分割,对比这几种不同网络对脊柱核磁共振图像（MRI）的分割精确度,对实验结果进行分析,判定最适合脊柱核磁共振图像（MRI）分割的网络。Unet++网络经过下采样、上采样和跳跃连接,加深U-net的网络结构,聚合不同译码子网络的尺度特征,形成灵活的特征聚合方法,我们改进的Res Unet++网络利用了残差块、atrus空间金字塔池（ASPP）、压缩和激励块、注意块,其残差块在层上传播信息,允许建立一个更深层次的神经网络来解决每个编码器中的退化问题,改善了信息通道之间的相互依赖性,同时也降低了计算的成本,采用混合损失函数,用较高的学习率来训练网络,加快网络的学习速度,从而加快网络的收敛速度,来提高网络的分割精度。本文采用的改进Res Unet++网络分割结果表明,此种分割方法产生了高达89%的分割精度,鲁棒性较强,分割精度较为稳定,进一步提高了分割的准确度。