心血管疾病是世界上主要死亡原因之一,它的诊断和后续治疗需要依靠多种心脏成像方式,包括超声造影、计算机断层扫描和核磁共振成像技术。其中,心脏动态核磁共振成像技术（Cine-Cardiac magnetic resonance imaging,Cine-CMRI）被公认为无创评估心脏功能的模版,通过适当的协议,还可以获取形态学、组织活力或血流的准确信息,是评估心脏功能的金标准。然而准确地对其进行分割是一项具有挑战性的任务,因为心脏图像存在伪影多、目标器官差距大、短轴分辨率低和标签数据获取代价高等特点。因此现阶段的心脏分割方法依旧以手动分割方式为主。本文使用深度学习卷积网络对心脏动态核磁共振图像进行分割,根据图像特性与任务需求,设计了三种心脏分割算法:（1）提出了基于密集残差编码块与多尺度特征融合的心脏分割模型。鉴于心脏动态MRI图像属于厚层数据、选择将三维图像预处理成二维切片,然后进行分割。该模型以Unet++作为基础模型,并将编码块与解码块分别改良为密集残差编码块与全局注意力解码块。Unet++与密集残差编码块的结合可以充分利用二维切片上的信息,其中Unet++为网络提供了不同深度与不同尺度的解码信息,而密集残差编码块可以有效地聚集深层编码特征与浅层编码特征,拉近编码层之间的距离。全局注意力解码块在解码过程中为网络提供特征图全局的信息,使得深层特征可以有效地聚合,还原结果更符合心脏子结构之间的物理特征。（2）提出了一种基于特征增强与特征矫正的心脏分割模型。该网络是一种利用时间信息进行特征增强,并利用空间信息进行特征矫正的多输入、多分支和多任务的2.5D分割网络。首先为充分利用心脏动态MRI图像的时间信息来弥补稀疏的三维上下文信息,提出了全新的时间增强编码模块,将需要进行分割的目标帧和一段包含了目标帧的连续时间片段作为关键序列一同输入网络。关键序列用于获取丰富的时间特征,目标帧则能提供精准的边缘特征;其次为聚集更多有益的特征、更好地融合时域和边缘信息,提出了可变形全局连接,为网络的解码部分提供更广泛的多维特征信息;最后利用在训练过程中额外学习的空间方向场,对原有的分割结果进行特征矫正。（3）提出了一种基于自学与交叉教学相结合的半监督心脏分割网络。为了减轻心脏动态MRI标签数据的获取压力,利用少量的标签数据和大量未标签数据来训练分割网络,提出了一种基于Unet自学以及Unet和Transformer之间交叉教学的半监督心脏分割模型。该模型以Unet作为主模型,将Transformer与Unet网络自身作为辅助模型。在自学阶段采用显式一致性监督方式,Unet同时承担教师与学生两种身份。在交叉教学阶段,为弥补Unet无法获取长距离信息的缺陷,引入了Transformer网络,采用隐式一致性监督方式,Unet与Transformer互为伪标签,直接实现端到端的互相监督。这种方式,能够有效结合Unet的局部特征提取能力和Transformer的远程关系建模能力,利用两种网络不同的感官属性进行互补,得到更好的分割结果。