冠心病是威胁人类健康的灾难性疾病之一,而冠状动脉造影是诊断这一疾病的重要帮手。冠状动脉造影图像血管分割是对具有复杂结构的血管数据进行数字化和标准化的关键。分割结果的准确程度不仅直接决定了能否对病灶部位进行精确定位,还可以辅助医生了解患者冠心病的发展程度,也是后续包括血管动力学研究在内的一系列医学研究的基础。包括匹配滤波方法、区域增长方法等在内的传统分割方法,需要复杂的预处理步骤,依赖人工设计特征,需要设计者了解相关的医学常识。近几年来,深度学习尤其是深度卷积神经网络依靠权值共享、自动特征提取和计算机运算性能的提升,在计算机视觉方面取得重大突破。本论文对使用深度学习技术的冠脉血管分割方法进行改进,主要研究工作如下:(1)针对冠脉造影图像血管结构复杂多变,造影剂分布不均,因此产生伪影及其他一些噪声的问题。本文搭建了一种采用并行方式的多尺度卷积神经网络模型。这种网络结果通过输入两种不同尺度的图像,通过全局特征来校正局部特征,使分割结果更加准确。(2)针对使用深度学习时样本数量不均衡问题对网络带来的影响,对传统的交叉熵损失函数进行了改进。改进后的函数不仅可以缓解这一问题,并能够提升对困难样本的分类精度。(3)针对小样本数据在应用迁移学习时,直接使用目标领域的样本进行训练可能会产生过拟合或者参数结构破坏的问题。本文提出一种通过限制参数学习的小样本迁移学习方法,使目标领域的参数与源领域的参数尽量保持一致,并使用FOBOS算法对该策略进行求解。本文通过对实验结果与其它方法进行比对,发现本文提出的网络模型可以有效的分辨伪影及噪声,更加准确的分割血管。改进后的损失函数可以有效的在样本数量不均衡的训练中改善结果,增加模型对困难样本的识别,使得网络的鲁棒性更好。使用迁移学习策略得到模型应用于冠脉血管分割上,得到了比通常情况下更优的准确率。