心血管疾病是目前最主要的公共卫生问题,医学图像在心血管疾病的医学临床辅助诊断中有着不可或缺的重要作用。白细胞分类计数作为心血管疾病初步诊查项目中一项意义重大的技术,涉及的白细胞分类过程繁琐复杂,人工分类效率低下且主观性强。核磁共振成像检查作为对多种心血管疾病有明确诊断作用的重要诊查方式,需由专业且经验丰富的临床医生花较长时间进行前期手工描绘组织轮廓工作。深度学习技术给医学图像的自动化分析带来了新的发展和突破,利用深度学习的技术来解决繁琐复杂的人工阅片工作,辅助提高临床医生诊断心血管疾病的效率与准确率成为了本文研究的要点。本文在Blood Cell Images血细胞图像数据上开展对白细胞的多分类问题研究。针对原始数据样本量少且类别不均衡的问题,使用在预数据增强的基础上采用生成对抗网络的数据增强方法,相对非生成式数据增强方法能增加生成样本的多样性,在此基础上引入Attention机制学习全局特征依赖。借鉴“迁移”思想提出半自动化模型自增方法来模拟使用不同数据多阶段微调网络的过程,在同样的网络和相同的数据下获得更优的模型参数和更高的分类精度。通过对比实验验证本文提出的改进算法在分类指标上表现更好,具有在不平衡的小数据集上做到更精确分类的能力。本文在自动心脏诊断挑战的短轴核磁共振成像数据上开展对心脏组织的自动分割算法的研究。在主流医学图像分割网络U-Net的基础上,为了提高特征复用,提出密集网状DNet Unet这一改进神经网络结构。针对分割类别不均衡并且右心室组织更难分割的问题引入加权Focal Loss。为了在关注区域损失的同时也关注轮廓的损失,提出Boundary Loss。对于少量标注数据和大量未标注数据的特殊性提出半监督框架并在生成对抗网络中应用半监督框架简化两阶段训练任务。本文设计对比实验验证了对心脏MRI分割提出的多种创新优化方法的有效性,并与目前最先进的单模型分割算法比较,在多项评价指标上获得更好的结果。最后根据本文提出的分割模型预测所得的心脏组织标注提取多项心脏参数特征,利用融合多模型的分类方法侧面验证心脏组织分割结果的正确性。