心脏磁共振成像（MRI）是判断心脏结构和功能的“金标准”,准确获取心内结构是计算心脏临床指标的关键步骤,为心血管疾病的诊断提供指导。临床上需要专家手动描绘左心室、右心室和心肌的轮廓,然而手动分割费时费力,且存在标准差异,结果可能因人而异。因此,需要一种快速、准确、可重复、完全自动化的心脏分割的方法。在精确分割后还可计算临床参数,辅助诊断心血管疾病。本文研究国内外心脏MRI图像分割算法,提出了基于深度学习的短轴心脏MRI自动分割算法,并设计心脏MRI自动分割与辅助诊断模型。其中本文提出的基于深度学习的短轴心脏MRI自动分割算法,基于DenseNet和U-Net的网络结构进行改进,用于短轴心脏MRI的语义分割。心脏MRI自动分割与辅助诊断模型首先对输入的心脏MRI进行自动分割。自动分割包括预处理和分割两个步骤。预处理包括:首先对短轴心脏MRI数据进行感兴趣区域检测,使用了 Canny边缘检测和霍夫变换,然后进行数据标准化和数据增强。分割使用基于DenseNet和U-Net改进的语义分割模型,损失函数使用加权交叉熵损失、Dice损失、L2正则化的组合,对ROI的结果进行分割。根据分割结果计算相关临床参数,进行特征提取,并设计分类器进行病理分类。本文的实验基于2017年举办的自动心脏诊断挑战赛（ACDC）数据集,实验结果表明,本文实现了精确的心脏感兴趣区域自动分割和辅助诊断方法。本文提出方法成功地从心脏MRI中自动分割出左心室、右心室和心肌,通过与挑战中领先的其他分割方法进行对比,取得了优秀的结果,验证了本文方法的有效性。此外,设计的分类器在测试数据集上达到了 94%的准确率。