为提高海马体多图谱分割的精度和时间效率，提出基于高等标准化工具(Advanced Normalization Tools，ANTs)配准的多图谱分割算法。为降低数据规模，在预处理阶段，提取以海马体为中心的立方体box。在配准阶段，提出用ANTs代替重采样环节，再利用微分同胚Demons算法的平滑性、拓扑保持性以及连续性进行精配准。在标签融合阶段，采用加权平均(Majority Voting, MV)算法、基于生成模型约束的GraphCut标签融合(Generative Model, GM)算法、度量学习(Metric Learning, ML)算法以及半监督标签传播随机森林(Integrating Semi-Supervised Label Propagation and Random Forests, RF-SSLP)算法做对比。实验结果表明，用ANTs代替重采样后，可分别提高MV、GM、ML以及RF-SSLP四种融合算法的精度，同时，通过以上4种融合算法的对比发现，基于ANTs配准的半监督标签传播随机森林算法分割精度最高，相较于MV、GM和ML三种融合算法精度提高了3%~5%。

为有效提高海马体多图谱分割算法的精度, 将U-Net卷积神经网络用于海马体MR多图谱分割的标签融合。算法在图谱选择阶段, 计算互信息、梯度相似性选择图谱, 避免周围组织结构对图谱选择的干扰, 选择与目标图谱更贴合的浮动图像组。在预处理阶段, 提取以海马体为中心的感兴趣区域有效降低数据规模。在配准过程中, 利用重采样代替粗配准环节, 减少了“粗”配准环节所需时间, 再采用具有良好的平滑性、连续性和拓扑保持性的微分同胚Demons精配准算法。在标签融合阶段, 提出基于深度学习理论改进的U-Net多图谱MRI海马体分割算法。实验结果表明, 改进的算法分割精度较于传统算法平均提高了5%, 算法时间缩短了50%左右。改进后的基于U-Net的多图谱海马体分割算法对目标图像海马体的分割具有高精度、高效率的特点。