心血管疾病是一个重要的公共健康问题,在各类疾病中死亡率高居首位,预防与治疗心血管疾病对人类的健康具有重要意义。在临床中,定量分析心脏解剖结构有助于各类心血管疾病的诊疗。从心脏影像中分割出各个解剖结构的区域是一项专业性强、难度高且十分耗时的工作。高效全自动地完成该步骤,减轻医生的负担,减少患者的等待时间,对心血管疾病的诊疗具有重要意义。随着深度学习中的计算机视觉技术在各个领域的应用和发展,医学场景下人工智能辅助医疗的研究取得了长足进步,利用深度学习技术实现全自动地心脏分割也成为一个研究热点。临床实践中,高精度的落地要求致使研究者致力于构建更大型的心脏数据集进行有监督的训练以求得到更优的心脏分割结果。然而,现实中复杂的医学场景（病人心脏形态、尺寸以及病灶存在多样性,心脏影像中存在着混淆边界的不连续区域等）和专业的分割标签难获取的问题给心脏分割任务带来了巨大的挑战。针对上述问题,考虑医学影像的不连续特性以及多模态数据特征特点,本文聚焦于基于UNet网络的有监督与跨模态心脏分割算法的研究,致力于优化心脏分割边界以及缓解心脏分割标注难获取的问题。为获取更准确的心脏分割边界,本文提出一种基于边缘检测的关注不连续区域的有监督心脏分割算法,基于心脏磁共振成像（MRI）模态2D影像的医学影像特征,挖掘心脏影像中易被混淆为边界的不连续区域,并在训练过程中注重不连续区域的分割,从而优化分割结果。在自搜集的大型心脏分割数据集上的实验结果表明,相比其他基于心脏轮廓以及边界的算法,本文提出的算法取得了更佳的实验性能。为缓解有监督训练中所需的心脏分割标签难获取的问题,本文提出一个两阶段的基于对抗训练和在线伪标签的心脏磁共振成像（MRI）和电子计算机断层扫描（CT）跨模态分割算法,借助医学场景中的多模态数据实现无监督跨模态心脏分割。临床中不同模态间的数据具有相同的结构和语义信息,却在图像特征上具有较大的差异。本文在第一个阶段中利用循环一致性生成对抗网络对齐不同模态影像的外观,在第二个阶段除了进一步对齐不同模态输出数据的熵空间外,还借助于均值-教师（Mean Teacher）架构为目标模态生成伪标签辅助目标模态分割训练。相比于不断叠加对抗训练模块的策略,在两个模态间差异较小时,伪标签技术优化目标模态分割结果性能效果更显著。本文在公开的MM-WHS心脏分割数据集上进行了心脏MRI和CT模态的双向跨模态分割,均获得了当前最优的性能。本文针对医学影像分析中心脏分割任务进行研究,基于医学影像的影像学特征以及多模态数据的特点,优化了心脏影像中不连续区域带来的不利影响,以及通过结合对抗训练和伪标签的跨模态分割算法缓解了心脏分割的标注难获取的问题。