社会文明的进步在不断攻克很多疾病的同时,也因为生活节奏的加快和压力的增加带来了新的全球化疾病,其中致死率最高的当属心血管疾病。短轴cine MRI（cine magnetic resonance imaging,心脏磁共振短轴电影图像,后文中常简称为MRI）的左心室（LV）心肌力学性能分析对于心血管疾病的诊断和治疗至关重要。点特征提取是追踪心肌运动的重要基础,然而,左心室心肌显得高度均匀,并且在短轴cine MRI中心肌内部几乎没有特征,这无疑增加了追踪心肌的运动的难度。本文中,我们首先采用传统方法来对左心室内膜上的点进行特征提取,该方法应用基于紧小波框架的双树复小波变换（DCWT）来提取心肌层的点特征,因其具有稀疏性、良好的方向选择性和完美重构性,故较为适用于心肌层梯度信息较少但是具备一定方向性的情况。通过对输入图像块进行一系列小波滤波求得小波系数和缩放系数即可组成一个特征向量,通过比较以特征点为中心的图像块的特征向量欧氏距离,可以得到最为相似的图像块。但由于该方法的方向选择性只具备有限个方向,对于更细微的角度变化存在区分瓶颈,所以我们用学习能力更强的深度学习方法试图进行突破。其次,我们开创性的提出了一种用于短轴cine MRI序列中心肌运动跟踪的新颖方法。首先我们构建了一个具有密集连接的参数不完全共享的双分支卷积网络,用于提取位于心肌轮廓上的点的特征。该网络训练基于L2的损失函数,使用匹配的图像块对（正样本对）和不匹配的图像块对（负样本对）来训练我们的网络。接下来,用训练好的网提取心肌层的点特征,通过特征比较来进行不同相位间的特征点追踪,初步得到后续相位的左心室内膜轮廓点集后,在给定的心肌轮廓和的追踪得到的轮廓之间执行鲁棒的点匹配,以确保追踪的轮廓平滑。通过间隔相位按照这个步骤的几次传递追踪,即可由舒张末期（ED）的轮廓估计心脏运动周期过程中的左心室内膜轮廓,一直到收缩末期（ES）。我们提出的基于深度学习的方法在公共数据集上进行了评估,评估结果表明,与现有方法相比,我们的方法可实现更准确的左心室运动追踪,并且该网络经过大量取自左心室的图片块进行线下训练,在训练好的网络上,左心室的运动追踪可以在几秒内完成,具备临床应用可行性。