为了提高医学图像中胰腺CT（computed　tomography，CT）自动分割的准确性，针对传统分割方法存在的高噪声影响、过分割和欠分割等问题，基于Aristole（Aristole）和胰腺组织的全局边界特征，提出了一种基于u-net和胰腺组织的全局边界特征的分割方法。与传统的基于深度卷积神经网络的u-net网络相比，该方法可以提取更准确的形状和纹理信息，平滑胰腺图像区域的毛刺边缘，更好地把握胰腺的全局特征。通过对美国国立卫生研究院（美国国立卫生研究院，NIH）发布的82份胰腺CT数据进行四次交叉验证，发现dice相似系数（DSC）的平均值分别为87.13%和3.76%，比传统的u-net网络高7.43%。该方法不仅具有较高的精度，而且生成的胰腺形状和边缘更符合胰腺的生物形状，更易于在临床医学中应用。