diff --git a/tutorials/source_zh_cn/index.rst b/tutorials/source_zh_cn/index.rst
index cda62e5bbf804b411cb67d85895b96e4b1651a80..84908ba3a02a457211e3c54afa1a04b6d7bca5cc 100644
--- a/tutorials/source_zh_cn/index.rst
+++ b/tutorials/source_zh_cn/index.rst
@@ -134,6 +134,7 @@ MindSpore教程
    :hidden:
 
    model_migration/model_migration
+   model_migration/pytorch_to_mindspore
    cv
    nlp
    generative
diff --git a/tutorials/source_zh_cn/model_migration/pytorch_to_mindspore.md b/tutorials/source_zh_cn/model_migration/pytorch_to_mindspore.md
new file mode 100644
index 0000000000000000000000000000000000000000..18d4a96860208616029bd90c2e14bfd6344b3b8f
--- /dev/null
+++ b/tutorials/source_zh_cn/model_migration/pytorch_to_mindspore.md
@@ -0,0 +1,197 @@
+# 从 PyTorch 到 MindSpore 的模型迁移指南
+
+## 概述
+
+随着 AI 芯片生态的发展，MindSpore 作为华为推出的全场景 AI 框架，在昇腾芯片上展现出优异的性能。本文针对医学影像分割场景，详细讲解如何将 PyTorch 模型迁移至 MindSpore 框架，主要优势包括：
+
+- 原生支持昇腾芯片的图模式加速
+- 自动微分与并行训练优化
+- 端边云统一部署能力
+
+## 一、迁移准备
+
+### 1.1 基础学习
+
+#### 重点掌握
+
+- 张量操作的设备感知特性
+- 自动微分实现机制
+- 混合精度训练配置方法
+
+### 1.2 环境配置
+
+```bash
+# 创建隔离环境
+conda create -n {your_env_name} python=3.9
+conda activate {your_env_name}
+
+# 安装GPU版本框架
+pip install mindspore==2.2.0
+```
+
+## 二、关键迁移步骤
+
+### 2.1 数据加载适配
+
+#### PyTorch 与 MindSpore 接口对比
+
+| 功能               | PyTorch 接口               | MindSpore 等效实现          |
+|--------------------|--------------------------|--------------------------|
+| 数据集构建         | `torch.utils.data.Dataset` | `mindspore.dataset.GeneratorDataset` |
+| 数据增强           | `torchvision.transforms`   | `mindspore.dataset.vision` 套件 |
+| 并行加载           | `DataLoader(num_workers=N)` | `dataset.batch(N).shuffle()` |
+
+#### 代码示例
+
+<td style="vertical-align:top"><pre>
+
+```python
+import mindspore.dataset as ds
+from mindspore.dataset.vision import RandomResizedCrop, HWC2CHW
+
+class MedicalDataset:
+    """医学影像数据集加载类"""
+    def __init__(self, data_dir):
+        self.img_paths = load_data_paths(data_dir)  # 自定义路径加载
+        self.transforms = ds.transforms.Compose([
+            RandomResizedCrop(size=(224, 224)),
+            HWC2CHW()
+        ])
+
+    def __getitem__(self, index):
+        """
+        返回预处理后的数据样本
+        Args:
+            index (int): 数据索引
+        Returns:
+            (image_tensor, label_tensor)
+        """
+        img = Image.open(self.img_paths[index])
+        return self.transforms(img), self.labels[index]
+
+# 创建可迭代数据集
+dataset = ds.GeneratorDataset(
+    source=MedicalDataset('./data'),
+    column_names=["image", "label"],
+    shuffle=True
+).batch(32)
+```
+
+</pre>
+</td>
+
+### 2.2 网络结构转换
+
+#### 2.2.1 关键差异点解析
+
+**卷积层参数差异**
+
+ ```python
+# PyTorch 实现
+nn.Conv2d(3, 64, kernel_size=3, stride=2, padding=1)
+
+# MindSpore 等效实现
+nn.Conv2d(3, 64, kernel_size=3, stride=2, pad_mode='pad', padding=1)
+```
+
+**插值操作实现**
+
+```python
+# PyTorch 双线性插值
+F.interpolate(x, scale_factor=2, mode='bilinear')
+
+# MindSpore 等效实现
+nn.ResizeBilinear(align_corners=True)(x)
+```
+
+#### 2.2.2 迁移检查清单
+
+**逐层验证输入输出维度匹配度**
+
+```python
+print("PyTorch layer output:", pytorch_out.shape)
+print("MindSpore layer output:", mindspore_out.shape)
+```
+
+### 2.3 训练流程改造
+
+#### 训练步骤对比
+
+```python
+# PyTorch 训练步骤
+optimizer.zero_grad()
+loss.backward()
+optimizer.step()
+
+# MindSpore 自动微分流程
+grad_fn = ms.value_and_grad(forward_fn, None, optimizer.parameters)
+loss, grads = grad_fn(data, label)
+optimizer(grads)
+```
+
+#### 自动微分实现示例
+
+```python
+import mindspore as ms
+from mindspore import nn
+
+class TrainStep(nn.Cell):
+    """自定义训练步骤"""
+    def __init__(self, network, optimizer):
+        super().__init__()
+        self.network = network
+        self.optimizer = optimizer
+        self.grad_fn = ms.value_and_grad(network, None, optimizer.parameters)
+
+    def construct(self, data, label):
+        """执行单步训练"""
+        loss, grads = self.grad_fn(data, label)
+        self.optimizer(grads)
+        return loss
+```
+
+## 三、调试与优化
+
+### 3.1 常见问题排查表
+
+| 问题现象                  | 解决方案                     | 验证方法               |
+|--------------------------|----------------------------|----------------------|
+| 输出维度不匹配            | 逐层对比网络结构             | `Tensor.shape` 检查   |
+| 梯度异常波动              | 检查权重初始化方式           | 统计参数分布直方图     |
+| 性能显著下降              | 验证数据预处理一致性         | 输入数据归一化检查     |
+
+### 3.2 性能优化技巧
+
+**混合精度训练**
+
+```python
+from mindspore.amp import DynamicLossScaler
+
+loss_scaler = DynamicLossScaler(scale_value=1024, scale_factor=2)
+```
+
+**图模式加速**
+
+ ```python
+ms.set_context(mode=ms.GRAPH_MODE)
+```
+
+## 四、案例：3D UNet 迁移
+
+### 4.1 关键代码差异
+
+#### 损失函数实现
+
+```python
+class DiceLoss(nn.LossBase):
+    """三维 Dice 损失实现"""
+    def construct(self, pred, target):
+        intersection = (pred * target).sum(axis=(2,3,4))
+        union = pred.sum(axis=(2,3,4)) + target.sum(axis=(2,3,4))
+        return 1 - (2. * intersection) / (union + 1e-8)
+```
+
+## 五、资源推荐
+
+- [MindSpore 模型仓](https://gitee.com/mindspore/models)
+- [昇腾开发者社区](https://hiascend.com)