心血管疾病已经成为我国死亡率排名第一的疾病,是威胁人类生命健康的头号杀手。对心脏核磁共振图像分割后的结果进行量化评估是心血管疾病诊断的最佳方法,在临床医学诊断中往往是通过影像科专家手动对心脏核磁共振图像进行分割,十分耗时还容易出现人工误差。因此需要一种既快速又准确的自动分割方法,本文主要研究内容是基于深度学习实现心脏核磁共振图像的自动分割。本文首先设计了一种基于U-Net和Dense Net改进的Dense U-Net网络,在网络下采样过程中加入改进后的Inception模块扩大了网络的感受野并减少了网络的参数量,同时加入残差连接提高了网络训练的准确率。在网络的上采样过程中通过叠加的方式进行特征融合,有效减少了网络的参数和GPU内存占用,还使用了改进后的跳跃投影连接,实现下采样和上采样跨通道传递特征信息。另外,本文还提出了一种结合加权Dice损失函数和加权交叉熵损失函数的双重损失函数,有效缓解图像中类不平衡的问题,提高了分割结果。本文根据合作医院数据建立了合作医院数据集,与ACDC数据集同时进行多个实验,通过不同数据集进一步证明本文提出的网络和改进方法的可靠性。其中ACDC数据集中有150例数据,合作医院数据集中有80例数据。ACDC数据集左心室、右心室、心肌对应分割结果的平均Dice系数分别是0.940、0.903、0.891,合作医院数据集左心室、右心室、心肌对应分割结果的平均Dice系数分别是0.941、0.890、0.888。实验结果表明本文提出的改进网络具有很好的泛化能力和稳健性,可以有效提高分割性能和准确性。为了进一步提高分割结果,本文提出了一种基于Dense U-Net网络改进的分割方法,在网络中加入基于Canny边缘检测和霍夫变换的ROI检测预处理和基于最大连通域分析后处理进行改进。改进后的分割方法可以去除基底和心尖切片中出现的误分割,有效提高了Dice系数,大大减少了Hausdorff距离,ACDC数据集的平均Hausdorff距离从9.811mm减少至5.658mm,合作医院数据集的平均Hausdorff距离从9.539mm减少至5.691mm。