心血管疾病（Cardiovascular disease,CVD）为当今世界主要的健康问题之一,大多数心血管疾病可归因于冠状动脉狭窄的问题。由于计算机断层扫描血管造影（Computed tomography angiography,CTA）其成像具有高分辨率以及无创性而被用于冠状动脉疾病诊断和治疗中,精准的冠状动脉分割在诊断和治疗中具有重要的作用。然而人工干预的分割难以满足不断增长的数据量,全自动分割方法在冠状动脉分割中变得越来越重要。近年来,深度学习中卷积神经网络（Convolution neural networks,CNN）被广泛用于医学图像的自动分割中。由于CTA图像具有高分辨率和高维度的特点,使用CNN对CTA图像分割冠状动脉时,需要将图像进行下采样或转换为切片以及切块进行分割以降低计算资源。但是下采样导致图像局部细节丢失,而切片和切块只包含图像局部信息且缺乏全局性,这限制了模型的分割性能。针对上述问题,本文基于CTA图像数据研究了深度学习分割冠状动脉的方法,其中研究内容如下:（1）为了有效地融合图像全局与局部信息进行分割,本文提出一种基于U-Net的集成分割模型。该模型通过构建轻量级3D U-Net的分割模型、2D U-Net的多切片分割模型以及3D U-Net的切块分割模型学习CTA图像全局和局部的信息,最后对各模型进行集成得到分割结果。实验表明,基于U-Net的集成分割模型相比于单一的直接分割以及切片和切块分割具有更高的准确率。（2）虽然基于U-Net的集成分割模型对于分割冠状动脉取得了较好的准确率,但需要训练多个高分辨率下的分割模型,整体计算开销较高。因此,本文提出了一种基于膨胀先验区域的两阶段分割模型,通过学习全局膨胀先验指导局部图像切块进行分割。该模型首先通过3D U-Net在低分辨率下提取膨胀的全局先验区域,根据先验区域对CTA图像划分切块并使用3D U-Net++进行分割。与U-Net的集成分割模型相比,该模型分割冠状动脉的准确率有所提升,且使用膨胀的先验区域比非膨胀的先验区域具有更好的分割结果。（3）为了进一步提高冠状动脉分割的准确率,本文提出了基于3D Triplet注意力和多尺度集成的分割模型。该方法通过将3D Triplet注意力机制融合到3D U-Net++,并作为集成分割框架的切块分割网络提升切块分割的准确率。另一方面通过膨胀先验区域和非膨胀先验区域制作不同尺寸的切块训练3D Triplet U-Net++网络得到多个局部尺度的分割,同时加入了轻量级3D U-Net的全局尺度的分割集成得到最后的分割结果。实验结果表明,基于3D Triplet注意力和多尺度集成的分割模型进一步提升了冠状动脉分割的准确率。