心血管疾病（Cardiovascular Diseases,CVDs）一直是医学界和民众关注的焦点之一,其死亡率居疾病致死率榜首。如何降低心血管疾病对人类健康的危害,是科研工作者当前的研究热点。心脏磁共振（Cardiac Magnetic Resonance,CMR）图像常用于评估心功能参数和诊断心血管疾病,被视为心脏定量分析的金标准。对CMR图像内部结构准确分割是进行后续评估诊断面临的首要关卡。然而,在实际医疗诊断中分割任务通常依靠有经验的医生进行人工分割。但这种方法不仅耗时耗力,还带有很大的主观性,可能导致分割结果不准确。因此,研究开发高效准确的全自动CMR图像分割算法具有重要的社会意义。在对传统算法用于CMR图像分割的局限性进行分析后,本文结合一些经典的网络架构和模块,针对CMR图像分割问题提出了两种创新性的方法,并且在CMR图像分割中取得了较好的效果。主要工作展开如下:1.提出一种基于迁移学习和多尺度空洞U-Net模型的CMR图像分割方法（TLMD-UNet）。利用迁移学习方法将Xception模型在Image Net数据集上训练好的权重信息迁移到目标网络中,解决了CMR图像数据量不足带来模型难以收敛的问题。随后在U-Net网络中引入多尺度空洞卷积模块。其中空洞卷积代替普通卷积使得卷积操作在参数量不变的情况下扩大了感受野,并且采用多尺度特征融合不同感受野的特征图,改善了CMR图像边界曲线欠分割的状况。改进后的方法对比其他方法,图像分割精度得到一定程度上的提升。2.提出一种基于改进的Dense U-Net模型的CMR图像分割方法（APR-Dense Net）。此网络模型是在编码阶段构建IRDNet提取网络特征。IRDNet是在RDNet基础上加入了Inception模块作为前缀获取图像不同感受野的信息,提取了更加精细的特征。同时将IRDNet得到的特征图通过金字塔池化模块聚合图像上下文信息扩充了特征图的全局信息。解码阶段引入了注意力机制用以强调原始图像中感兴趣区域和抑制不相关区域,这有效的提高了心脏分割的准确性。实验结果表明,改进后的网络模型达到了更高的分割精度,并在多个心脏数据集上都能取得良好的分割效果。