近年来心血管疾病致死率的不断增高引起了人们对心血管疾病的广泛关注。利用基于心脏核磁共振图像的左心室分割可以得到重要的心脏功能参数,这对于心血管疾病的诊断和治疗起到了关键作用。手动进行左心室分割不仅需要专业的人员,而且在效率上也无法满足患者的需求。因此,基于计算机程序的辅助医疗技术便应运而生。传统的自动化左心室分割算法存在鲁棒性差、分割精度不够高、算法操作过于复杂和需要专业人员参与等缺点,而在这些方面,基于深度学习的左心室分割算法拥有巨大的优势。由于左心室的核磁共振图像的病患和拍摄角度的不同,左心室内膜形成的闭包区域的面积存在着巨大的差别。当前的一些基于深度学习的左心室分割算法往往难以对一些特殊切片(例如心肌肥大患者的左心室收缩末期的核磁共振图像)进行有效分割;另一方面,这些算法的表现还受到用于训练的专家分割样本数量的限制。针对以上问题,本文提出了基于多尺度扩张卷积与对抗学习的左心室分割算法。基于多尺度扩张卷积的左心室分割算法采用了全卷积神经网络的基本框架,在特征提取(即编码)阶段使用了多个级联的多尺度扩张卷积模块,而在分割映射(即解码)阶段使用了跳跃连接和密集上采样卷积两个通路与最后的分割结果相连。同时,为了不让模型的参数过于庞大,本文根据分割任务的需求与核磁共振图像的特点合理地设置卷积滤波器的数量。最后实验表明,基于多尺度扩张卷积的左心室分割算法的结果表现相比近些年的一些优秀的左心室分割算法在多个评价指标上均有提升。为了在专家分割样本有限的情况下进一步的提高左心室分割的结果表现,本文提出了基于对抗学习的左心室分割算法。它结合了生成对抗网络和“自学习”的思想,通过对抗学习训练分割网络和鉴别网络,达到一定的效果后再加入无标签数据进行半监督训练。最后的实验结果表明,本文基于对抗学习的左心室分割算法在使用相同数量的专家分割样本训练的情况下可以进一步的提升准确率和鲁棒性。