心血管疾病作为人类健康的头号威胁,随着生活水平的提高,逐渐变得愈发严重,如何能够尽早发现并及时准确治疗,对于挽救患者生命具有重要意义。医学成像技术不断的提高和采集设备进一步的丰富,使得医学图像的数量与质量都有了显著提升。医学图像分割作为一个其他医学图像处理和分析任务的基础,性能的好坏会直接关系到后序任务完成的质量。本文使用近几年在计算机视觉领域发展迅速的深度学习技术,分别对心室分割和左心室瘢痕组织分割这两大任务进行了深入研究。针对于心室分割问题,本文首先根据数据的统计信息对原始图像进行了裁剪,提取出了感兴趣区域。在心室分割研究中,首先使用了在自然图像分割领域应用广泛的全卷积神经网络进行分割;之后,又将卷积-长短记忆单元结构加入网络中,形成改进之后的网络。最后,使用了密集连接的条件随机场算法对分割结果进行后处理,得到最终的分割结果。对于原始网络和改进的网络,都分别进行了实验和分析,在标准数据集上取得了非常好的表现。针对于左心室瘢痕分割任务,本文首先根据心室的标签对原始图像进行裁剪和填充,预处理之后得到的是同一尺寸的图像。在瘢痕分割研究中采用了UNet网络作为我们的基础结构;然后,用密集连接块结构替换U-Net中提取特征的部分,用过渡层替换原始的下采样过程,形成了改进的Dense U-Net结构;另外,本文设计了一个网络将循环神经网络形式的密集连接条件随机场加入到U-Net网络结构中;最后,本文将这两种结构及U-Net结合到同一个网络,得到我们的第四个网络结构。在实验中对这四个网络结构以及图分割和半峰全宽这两种传统分割方法分别在多个指标上进行了性能评价,本文的方法远远超过了传统方法的性能,各个改进均在实验中使得网络性能进一步提升。基于以上的深度学习算法,本文在Windows系统下使用Py Qt进行了心室分割系统的设计与实现。经过了详细的功能测试,该系统能够利用本文中设计的网络进行高效准确的分割,还可以对分割结果进行性能评价。本文的系统具有较高的可用性和可扩展性,能够为使用者提供方便。