当今社会,心血管疾病（Cardiovascular Disease,CVD）是造成全球人口死亡率严重上升的主要原因之一,而心血管的发病机理主要来自于冠状动脉粥样硬化。导致冠状动脉粥样硬化的钙化斑块是决定和影响心血管疾病治疗的重要因素。目前对于冠脉斑块的检测主要依靠于医生的手动标记,繁琐且耗时,且不同医生对冠脉斑块的识别和判断存在严重差异。为了使冠状动脉硬化疾病的诊断效率和准确性得到有效的提升,一种能够自动化分割、识别和提取冠状动脉粥样硬化斑块方法的提出是必要的。冠状动脉CT血管造影术（Computed Tomography Angiography,简称CTA）作为一种可靠性高以及无创伤的心血管疾病诊断方法,可用来对CVD进行精确的评估。CTA被认为可以在将来指导预防性治疗策略中将发挥关键作用。但是由于冠状动脉的组织结构复杂和CTA图像的灰度不均,以及冠脉斑块形状的多变和面积微小,使得冠脉斑块的自动检测仍存在很大的挑战。本文主要围绕深度学习理论对心血管病人的CTA图像进行钙化斑块的自动分割和检测,在完整和准确识别钙化斑块的同时能够提高钙化斑块的检测效率。本文的主要研究内容如下:（1）针对钙化斑块检测过程中微小斑块难以检测完整的问题,构建了一种基于AGDenseUNet的钙化斑块检测方法。该方法首先使用图像预处理确定每一个钙化斑块区域的大致位置,然后将预处理后的图像送入AG-DenseUNet进行训练。一方面,该算法对DenseUNet进行改进,采用网络每层输入输出通道保持一致的方法,降低在传递过程中图像数据信息的损失,确保空间信息以及特征信息传递的完整性,通过对DenseUNet中的DenseBlock模块和下采样路径的改进,使其更适应于心血管病灶的检测。另一方面,Attention Gate会在模型训练过程中抑制不相关的特征的干扰,使模型自动关注钙化斑块的特征。通过与其他几种网络的比较结果证明了该算法对微小和形状各异的钙化斑块的检测具有更高的完整性和准确性。（2）研究了两种不同类型的深度学习技术对心血管病人整张CTA图像中的钙化斑块检测的区别。首先,全面介绍了语义分割网络和注意力机制自2014年以来的最新研究,共计5种语义分割网络和7种注意力机制。为全面分析、比较它们的优缺点,将它们应用在心血管病灶钙化斑块的检测研究中。首先,在同一训练迭代次数下分别对不同类型的语义分割网络和注意力机制进行钙化斑块检测研究;然后,比较在不同的训练迭代次数下,同一种网络对钙化斑块的分割检测影响。最后实验结果证明,DeepLabv3+对钙化斑块的检测精度和准确度最高。双注意力机制DANet对CTA图像中钙化斑块的检测效果最佳,PSA内存占用最低。除此之外,也通过实验验证了性别和年龄对钙化斑块的检测存在一定的影响。