目的 提出并验证一种新的基于多尺度监督与残差反馈的深度学习分割算法（DSRF），以实现对鼻咽癌患者CT图像中小器官-视交叉和视神经的精确分割。方法 收集来自SegRap2023、StructSeg2019和HaN-Seg2023公开数据库的212例鼻咽癌患者CT图像及其真实标签。为解决传统卷积神经网络在池化过程中小器官特征丢失的问题，设计一种基于混合池化策略的解码器，利用自适应池化和平均池化技术将高级语义特征逐步细化并融合低级语义特征，使网络学习到更细小的特征信息。采用多尺度深度监督层，在深度监督下学习丰富的多尺度、多层次语义特征，以提高对视交叉和视神经边界的识别能力。针对CT图像中视交叉和视神经对比度低的挑战，设计可使网络多次迭代的残差反馈模块，该模块充分利用模糊边界和易混淆区域的信息，通过监督迭代细化分割结果，并结合每次迭代的损失优化整个分割框架，提高分割精度和边界清晰度。采用消融实验验证各组件的有效性，并与其他方法进行对比实验。结果 引入混合池化策略、多尺度深度监督层和残差反馈模块的DSRF算法能有效提升小器官的特征表示，实现视交叉和视神经的准确分割，其平均DSC达到0.837,ASSD低至0.351。消融实验进一步验证DSRF方法中各组成部分的贡献。结论 本文提出的基于多尺度监督及残差反馈的深度学习分割算法能有效提升特征表示能力，实现视交叉和视神经准确分割。