近年来心血管疾病对于人类的危害日益加深,已经逐渐成为全球死亡人数最高的疾病之一。因此,有效的辅助医生快速且准确获取病变区域信息可以帮助医生诊断病情以及制定有效的治疗方案。目前针对这方面的研究主要是从心血管图像中分割出目标区域并根据分割结果来计算临床指标,医生可以根据这些指标数据来对患者病情进行诊断。早期心血管图像分割主要是依赖于临床医学工作者手工从心血管图像中轮廓,这种方式不仅非常耗时而且效率低下,严重影响到医生对于患者病情的绘制出心血管结构诊断和制定合适的治疗方案。而自动分割方式可以快速且准确的处理大批量数据,性能也可以比肩临床医学工作者的手工分割性能。因此,使用自动分割方式来取代传统的手工分割方式具有很强的研究意义,已经有不少学者在心血管图像的自动分割领域进行了更深入的研究,取得了不俗的成果。因此,本文以心脏右心室自动分割准确率以及更好的临床指标为目标,利用端到端的深度学习技术优势,提出了对心脏右心室自动分割更为有效的深度学习方法,具体研究工作如下:右心室由于其重力不均匀、边界异常模糊且目标区域大小变化很大且无规则的特点,使其一直面临着巨大的挑战,具有非常强的研究价值。针对这些挑战,本文提出了基于多尺度信息级联和多视角信息融合的两级阶段性特征融合的深度学习网络（TSU-net）,用于心脏右心室的分割。首先,我们网络的多尺度扩张卷积级联模块（DB）使用扩张卷积的方式提取右心室复杂特征,此模块主要是为了解决右心室目标模糊、特征难以捕获以及重力不均匀等问题。紧接着,将所得到的特征经过多视野融合模块（MB）,通过不同的视野来捕获不同目标大小的特征信息,同时补充DB模块提取特征时缺失的浅层目标特征信息。最后,我们使用两级编码层-解码层的方式来分阶段提取目标特征信息,从而补充并完善目标特征信息。总的来说,本文针对右心室分割所遇到的挑战设计出一个基于深度学习的自动分割网络,充分利用了多尺度特征信息以及多视野的特征信息,从而在右心室分割性能上取得了非常好的效果。本文所提出得深度学习网络框架在心血管核磁共振图像上实现了准确且自动的目标区域分割。在2012RVSC右心室挑战数据集上的结果表明,我们的方法在心脏右心室分割性能上优于目前最新的方法,获得的临床指标达到了专家水平。同时,对于2012RVSC数据集的双测试集的心外膜（epi）骰子度量（Dice）指标平均值首次达到了0.90,且豪斯道夫距离达到了6.35,模型的预测准确率达到了0.99,这些结果证明了模型对于右心室的分割性能。同时我们的网络在2017MM-WHS全心脏分割数据集上进行了泛化实验,对主动脉分割的Dice指数达到了0.92,对右心室分割的Dice指数达到了0.86,其他的心脏子结构的分割效果与其他方法相比依旧具备较强的竞争力。同时,我们做了大量的实验与分析证明了我们的模型不仅具有很强的右心室分割能力,还具有很强的泛化能力,能够适应不同的数据集。最后,我们模型对分割出的右心室轮廓计算出对应的临床医学指标,达到了专家手工分割的临床医学指标水平。