从CT血管造影数据中获取可靠的冠脉中心线对临床实践具有重要意义,冠脉中心线可以为冠脉的狭窄评估和动脉粥样硬化斑块提供先决条件,所以学者们开始用不同的研究方法从计算机断层扫描血管造影（CTA）中提取中心线。由于冠脉中心线细小、结构复杂,并且存在低剂量成像噪声以及呼吸心跳引起的重建伪影等问题的影响,导致冠脉中心线的获取非常困难。为此,本文提出了一种基于深度追踪网络的多任务冠脉中心线提取方法。文中的贡献包括两大类:（1）基于图像块的迭代式冠脉初始点检测方法。在冠脉中心线的提取过程中,种子点的定位扮演着非常重要的角色,在本文中种子点是通过网络自动获取的并且本文的种子点只包括左右冠脉口两个点。将冠脉中心线的左右冠脉口视为解剖学关键点,通过卷积神经网络学习关键点周围的图像特征,从而使网络可以在未知图像中自动获取左右冠脉口。最后将得到的左右冠脉口作为后续中心线提取的初始点。通过大量的实验证明,本文提出的冠脉中心线起始点检测方法是切实可行的,最后得到的左右冠脉口可以作为后续中心线提取的初始点。网络的测试只需要3.53s,最终得到的平均距离误差为5.50±0.31个像素。（2）基于深度追踪网络的多任务冠脉中心线提取方法。目前很多的冠脉中心线提取算法仅使用了当前中心线点所在图像块特征,欠缺对连续中心线点所在图像块序列信息的有效挖掘,导致这些方法经常在冠脉造影效果不佳或冠脉病变等部位追踪中心线时遇到困难。此外,当前冠脉中心线提取的方法均是基于大量种子点的,在冠脉分支上也会有种子点的存在,所以并不需要考虑中心线的分叉位置。为此本文提出了一种仅使用两个初始点实现冠脉中心线追踪的方法,在追踪过程中既可以预测中心线方向又可以同时判断分叉点,该方法不仅可以学习当前图像周围的特征,还可以学习图像块序列的先后信息。利用第一步得到的两个初始点对冠脉中心线进行提取,最终实现冠脉中心线的全自动提取。本文使用了鹿特丹冠状动脉算法评估框架中的评估方法,结果表明,本文提出的方法OV为90.4%,OT为78.1%,OF为92.2%,AI为0.25mm,实验证明,本文提出的方法在冠脉中心线的全自动提取中具有很好的表现。