目的 为解决脑白质高信号初期病灶难检测的问题，提出一种基于SE-UNET的语义分割模型，通过优化网络结构实现对脑白质高信号初期的自动分割。方法 因脑白质高信号病灶在医学影像具有以下特点：(1)脑白质高信号信号强度分布不均匀，病灶边界易与背景重合。(2)脑白质高信号前期颗粒度小，信号强度低，分布位置随机，检测难度大。本文采取以下方法：(1)针对脑白质高信号前期颗粒度小、难检测的问题，提出增强性空间位置卷积核，它可以聚合多个不同尺度的特征图，自适应校准特征区域病灶的分布权重。这种策略可以使网络聚焦于偏离中心位置的小区域病灶，同时减小背景的干扰。(2)针对脑白质高信号病灶强度分布不均匀和边缘难分割的问题，通过提出梯度信息引导注意力模块，这种方式可以让网络捕获到病灶边界的像素梯度变化，提高网络对边界梯度信息的学习能力，在输出层生成基于边界区域的概率高斯图，最后实现对边界的准确分割。结果 在脑白质高信号检测任务中，SE-UNET的Dice系数、MIou、HD95分别达到78.3%,88.4%和2.62。同时使用公开数据进行对比，实验证明在评价指标上相较于Baseline三项指标分别提升15.94%、18.15%和1.76。结论 实验结果证明本文所提出的网络模型在准确度和网络性能方面均显著优于主流网络。