准确分割头皮高分辨率磁共振(high-resolution magnetic resonance，HR-MR)图像中头皮组织各层结构可为雄激素性脱发(androgenetic alopecia，AGA)分级诊断提供重要依据。然而，由于医学图像的复杂性以及高质量标注数据的稀缺使得已有模型难以精确分割目标结构且可解释性不足。针对这一问题，提出了一种基于因果不变流的深度强化学习半监督层分割方法(invariant causal flow deep reinforcement learning for semi-supervised layer segmentation，ICFDRL-SLS)。该方法设计了层结构编码器LSE来更好地提取跨区域的层结构特征，同时通过深度强化学习策略构建因果不变流，抑制了影响分割的混杂因子，有效提升分割精度。在私有头皮HR-MR图像数据集和公开的多发性硬化眼底OCT数据集上进行充分实验。结果表明，在5%，10%，30%标注数据条件下，在头皮HR-MR影像数据集上较最先进方法平均Dice系数提升2.25%、1.57%和2.81%。在MS-OCT数据集上，在仅使用单张有标签数据和5%标注数据条件下较最先进方法平均Dice系数提升2.14%和1.70%。结果证明了ICFDRL-SLS在低标注场景下对薄层结构分割的有效性与鲁棒性。