目的：危及器官的自动勾画能够帮助医师高效、精确地制作放射治疗计划，可有效提高放射治疗的精确性和治疗的疗效。本研究提出一种同时适用于宫颈癌后装和外照射放射治疗场景下危及器官的自动勾画方法，同时利用不同场景间危及器官结构的相似性，提高分割困难的危及器官的分割精度。方法：采用集成学习策略，将基于后装与外照射数据进行预训练得到的模型作为特征提取模块引入集成模型中，交替对不同场景下的数据进行训练，引导模型同时学习场景内危及器官的个性化特征和场景间危及器官的共性特征。实验选择84例后装和46例外照射宫颈癌患者的CT序列数据作为本研究方法的数据来源，使用五折交叉验证划分训练集和测试集。通过五折平均形状相似性评价系数（dice similarity coefficient,DSC）来评价模型的勾画精准度。结果：采用集成学习方法勾画的多数危及器官（后装序列数据中的直肠与膀胱、外照射序列数据中的膀胱）的DSC指标高于0.7。相比于单独的基于残差的U-net模型，本研究的方法对分割困难的危及器官（后装数据中的乙状结肠与外照射图像中的直肠）有更优的分割性能，DSC提高3%以上。结论：本研究提出的方法实现了基于单模型宫颈癌放射治疗中的多个危及器官场景的分割，得到了较为准确的结果，可以极大地缩短医师对危及器官勾画的时间，提高医师的工作效率。