近年来,计算机技术飞速发展,人工智能技术被越来越多地应用到医疗领域,辅助医生诊断治疗。磁共振成像（MRI）检查是一项疾病检查的有效方法,在心脏疾病的治疗过程中有着非常重要的作用。心脏MRI图像中不同组织的分割是心脏疾病治疗中的关键步骤,但是由于医学成像技术的限制和医学图像本身具有的特点,如边界模糊、灰度不均匀、影像重叠等,使得图像的分割任务困难重重。针对这种情况,本文提出了一种基于深度学习的心脏MRI图像自动分割方法。主要工作如下:1、以心脏为研究对象,针对目前MRI图像不能完成自动分割任务以及U-Net在心脏图像分割中效果不理想的问题,本文提出了一种改进的神经网络LU-Net。它以U-Net为基础,针对U-Net在心脏分割过程中边界模糊,分割不准确的问题进行改进,使用融合SE-Net模块、多尺度输入和替换上采样的方法,显著提升了神经网络性能,实现了心脏MRI图像更好的分割。2、设计并实现了心脏MRI图像自动分割框架,将提出的LU-Net应用于心脏MRI图像的自动分割任务。框架横向可分为神经网络训练和模型应用两个大阶段,纵向可分为数据的预处理、神经网络的训练与验证和神经网络的应用三个部分,本文沿框架结构纵向依次介绍各个部分。首先,对原始心脏MRI图像进行预处理,包括归一化、图像平移旋转、中值滤波去噪、边缘检测、伽马矫正等多个操作;然后将预处理的数据输入神经网络进行训练和验证,并保存最优LU-Net神经网络模型;最后在神经网络的应用过程中,直接加载最优模型重构LU-Net神经网络,对输入图像进行自动分割。3、为了证明LU-Net神经网络在心脏MRI图像上可以获得更好的分割效果,本文将多个神经网络进行实验对比,包括FCN、Seg Net、U-Net、IU-Net和本文提出的LU-Net,依次在心脏MRI图像自动分割框架中实现并应用于分割任务中。在神经网络训练过程中,LU-Net在保证快速收敛的同时,比其他方法具有更高的准确率。将各个神经网络最优模型进行心脏MRI图像分割,并使用五个常用的评价标准衡量分割效果,LU-Net在所有评价标准上均超过其它神经网络。经实验证明,本文提出的LU-Net在心脏MRI图像分割方面具有更高的准确率,取得较为理想的效果。