脑部病变的自动分割为脑卒中患者的及时诊治和诊疗方案的制定提供了可靠的依据，但获取大规模标记数据昂贵且耗时。半监督学习（SSL）方法通过利用大量的未标记图像和有限的标记图像缓解这一问题。针对SSL中伪标签存在噪声，以及现有的三维（3D）网络缺乏聚焦较小目标的能力这2个问题，提出一种半监督方法，即用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法RPE-CPS（Rectified Cross Pseudo Supervision with Project & Excite modules）。首先，将数据输入2个结构相同但初始化不同的3D U-Net分割网络，将得到的伪分割图用于交叉监督训练分割网络，充分利用伪标签数据扩展训练集，并鼓励不同初始化网络对同一输入图像的预测之间具有较高的相似性；其次，设计一种基于不确定性估计的交叉伪监督方法的校正策略，以降低伪标签中的噪声影响；最后，在3D U-Net分割网络中，为提高小目标类的分割性能，将投影-激发（PE）模块添加至每一个编码器模块、解码器模块和瓶颈模块之后。为验证所提方法的有效性，在合作医院急性缺血性脑卒中（AIS）数据集和缺血性脑卒中病灶分割挑战赛（ISLES2022）数据集上分别进行评估实验。实验结果表明，在仅使用训练集中20%的标记数据时，在公开数据集ISLES2022上Dice相似系数（DSC）、95%豪斯多夫距离（HD95）和平均表面距离（ASD）分别达到了73.87%、6.08 mm和1.31 mm；在AIS数据集上DSC、HD95和ASD分别达到了67.74%、15.38 mm和1.05 mm。与先进的半监督方法不确定性校正金字塔（URPC）相比，DSC分别提升了2.19和3.43个百分点。所提方法可以有效地利用未标记数据提高分割精度，优于其他半监督方法，并具有鲁棒性。

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题，提出一种基于改进实数编码遗传算法（IRCGA）的深度神经网络超参数优化算法——IRCGA-DNN（IRCGA for Deep Neural Network）。首先，采用实数编码方式表示超参数的取值，使超参数的搜索空间更灵活；然后，引入分层比例选择算子增加解集多样性；最后，分别设计了改进的单点交叉和变异算子，以更全面地探索超参数空间，提高优化算法的效率和质量。基于两个仿真数据集，验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明，在两个数据集上，与GA-DNN（Genetic Algorithm for Deep Neural Network）相比，所提算法的收敛迭代次数分别减少了8.7%和13.6%，均方误差（MSE）相差不大；与IGA-DNN（Improved GA-DNN）相比，IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明，所提算法收敛速度和预测性能均更优，能有效处理神经网络超参数优化问题。