心脏作为人体器官中最重要的器官自然是备受关注。越来越多的人们都关注于心脏建康相关的检查,诊断和治疗的技术。核磁共振影像（MRI）由于其独特的成像机理,使得该方法对生物体内像心脏这样的软组织特别有效,与其他模式的图像相比,它是一种非介入的成像方式,没有辐射,安全高效,能够提供高分辨率高品质的图像。在得到了心脏完整的磁共振成像图后,医务人员便可以根据这些图片对心脏健康进行分析评估——主要是通过对心室内外膜进行勾勒,以此得到的心室内外膜轮廓,再使用所得轮廓计算得到心脏功能指标来对心脏健康水平进行量化分析。但是这项工作是繁琐和重要的,因此一个精准高效的心脏轮廓分割工具变得不可或缺。随着深度学习近几年在大数据的兴起和计算力的升下得到广泛地关注和应用,深度学习成为实现该系统的有力途径。本文提出了先用胶囊网络进行心脏图像的分类,然后通过基于U-Net的心脏图像分割方法来进行分割,并且通过实验证明了方法的有效性和合理性。本文的研究内容如下:首先采用胶囊网络对心脏图像进行简单的二分类,先将图像卷积提取特征,然后将标量的特征通过胶囊层转化为带有空间信息的向量并通过向量模长来计算它分类的概率,从而达到分类的目的。将有问题的图像和没问题的图像分开,这有助于医务人员先判断患者的情况紧急程度,让有明显问题的先检查,没有的后检查,不耽误患者的最佳诊断时间,同时也会增加模型分割准确度。然后将分离表示和U-Net结合起来对分类之后的图像进行分割。分离表示会将图像分解成解剖因子和模态因子,然后把解剖因子当做U-Net模型的输入来进行图像的分割。使用分离表示不必要将所输入的整个图像全部用来参与分割,只需将感兴趣的区域进行分割处理。最后本文采用MICCAI ACDC 2017心脏数据集进行实验,在分类实验中本文的方法比VGG16以及SVM在各项结果上都要好,正确率达到了91.04%,特异性达到了97.60%,敏感度达到了87.04%。在分割实验中,本文的方法在标签数据越少的情况下,戴斯相关系数也比U-Net和Self-train的要高,都达到了70%以上,平均值也要比它们高,达到了75%以上,这证明了本文方法的有效性和鲁棒性。