目的:应用深度学习技术相关神经网络算法,创建冠状动脉造影图像血管分割和血管节段识别的人工智能模型.方法:纳入2018年7月于中国医学科学院阜外医院行冠状动脉造影患者2834例,共12900张冠状动脉造影图像.患者的冠状动脉造影图像由中国医学科学院阜外医院心血管介入诊疗影像分析核心实验室影像分析师标注.搭建一种创新的深度神经网络(DNN),分别进行冠状动脉造影图像血管分割和节段识别任务.在数据集中,11900张标注图像用于网络训练,1000张用于网络测试.以真实精标注图片为“金标准”,评价DNN对冠状动脉造影图像血管分割及节段识别的能力.结果:DNN对冠状动脉造影图像血管自动分割的平均准确度达99.2％(95％CI:99.1％ ～99.2％),F1分数为0.91±0.03,且对冠状动脉主支血管的分割结果优于一级分支血管.DNN对冠状动脉造影图像血管节段识别的平均准确度为98.6％(95％CI:98.6％～98.7％),F1分数为0.80±0.05,对冠状动脉主支血管段的识别效果优于一级分支血管,对血管近段的识别准确度优于血管远段.随着训练数据量增加,DNN对冠状动脉造影图像血管分割的性能明显提升.结论:该研究显示了DNN用于冠状动脉造影图像血管分割及节段识别的可行性,并获得了较高的准确度,为将来实现客观、高效的冠状动脉造影人工智能病变诊断提供了基础.