多模态心脏核磁共振成像（Magnetic Resonance Imaging,MRI）是临床心脏疾病常用的影像学检测方法。由于多模态图像中模态间和模态内强度值变化较大,导致图像存在异质性,以及病灶区域的位置变化、形状和尺度呈现出多样性,使得多模态心脏核磁共振成像分割成为一项具有挑战性的任务。现有的基于多模态分割的方法难以有效地融合和利用多种模态之间的互补信息,导致对心肌水肿和伤疤的分割困难。为了有效地辅助临床医生对心脏疾病的诊断,本文基于卷积神经网络对多模态心脏MRI图像的分割方法进行了研究。主要研究内容如下:1.针对多模态心脏MRI图像中存在的异质性问题以及病灶区域难分割和不连续分割问题,本文提出了一种简单且有效的孪生U-Net网络,该网络能够同时分割心脏结构和心肌病理。首先,本文提出了一种新颖的多模态融合方法,命名为MCIE-Net。该网络可以探索不同模态间的相关性,有效地融合和利用多模态图像中的互补信息。其次,为了获得心肌水肿和伤疤的精确和连续分割,本文使用了一个与MCIE-Net具有相同结构的病灶改善网络,专注于提取病灶特征,以增强病灶信息的融合。本文在Myo PS 2020和MS-CMRSeg 2019数据集上进行了实验,以证明提出方法的有效性。2.针对多模态心脏MRI图像中病灶区域的大小变化较大导致的错误预测问题和双线性插值上采样导致的细节信息丢失问题,本文提出了一种多尺度U型网络来解决。首先,本文在网络的顶部采用了多尺度卷积模块来捕获多尺度特征,该模块利用不同大小的卷积核来实现,这对实现准确的分割结果非常有利。其次,在解码器中,本文将从不同模态中提取到的特征信息融合到一起,利用通道重建上采样来恢复像素级预测,解决了双线性插值上采样中丢失细节信息的问题。本文在Myo PS 2020和MS-CMRSeg 2019数据集上对该方法进行了评估。其中,在Myo PS 2020的测试集上,该方法实现了心肌水肿和伤疤分割的平均Dice值为0.731±0.096。该方法在MS-CMRSeg 2019数据上也实现了较好的分割结果。