磁共振成像（Magnetic Resonance Image,MRI）是一种应用广泛的检查人体内部脏器的现代成像技术。磁共振成像已经被广泛用于临床常规检查诊断,尤其是脑疾病的检测和诊断。脑组织的体积变化往往预示着各种疾病,如脑肿瘤,白质脑病,橄榄脑桥小脑萎缩（Olive pontine cerebellar atrophy,OPCA）等。因此,对脑MRI图像进行精准的自动分割对于临床应用和科学研究具有非常重要的意义。近年来,深度学习在医学图像处理与分析领域得到了越来越多的应用。其中,全卷积神经网络能够实现端到端的图像语义分割,因此被广泛应用于医学图像分割任务。但是,这类方法往往需要大量带标签的数据作为监督信息来指导神经网络训练。而数据的标注一般由专业人士如医生、专家来完成,这给他们带来很大的工作负担。基于个体脑组织之间的高度相似性,本文研究建立了一种新型的弱监督大脑磁共振图像分割框架。与传统使用体素级别标签的监督类方法不同,本文仅仅使用一个带有超体素级别标签的大脑磁共振图像。本文建立的弱监督分割框架主要包括三个部分,基于超体素匹配的高置信度种子区域生成、脑组织分割网络与深度种子区域增长。首先,基于个体脑组织间的高度相似性,本文研究了一种超体素匹配方法实现待分割图像与参考图像之间的匹配,使得待分割图像的超体素获得标签。进而,在待分割图像匹配的超体素中,选择高置信度的超体素组成种子区域。然后,基于全卷积神经网络框架,本文研究构建了一种脑组织分割网络模型,以选择的种子区域作为监督标签,指导网络训练,获得图像每个体素的类别概率。之后,本文采用了深度种子区域增长方法,以当前种子区域为基础,使用卷积网络输出的类别概率,更新种子区域。最后,迭代脑组织分割网络训练与深度种子区域增长两个步骤,直至种子区域覆盖整个图像,输出分割结果。为了评估本文提出的弱监督脑MRI图像分割方法的性能,本文在IBSR18和Brain Web20两个通用数据集上分别进行了实验,通过定性比较和定量分析方法进行了验证。实验结果表明,本文提出的方法在使用较弱的监督信息的情况下仍能取得良好的分割结果。