不规律的作息习惯和不健康的饮食方式,导致心血管疾病跃居威胁人类健康常见病症的榜首。而从心脏核磁共振成像中精确分割左心室内外膜,是临床上定量分析的必要前提,是进一步诊治心血管疾病的重要步骤。此外带标记线的核磁共振（tagged Magnetic Resonance,tMR）成像还可用于心脏运动追踪。这对及时发现病症并提供针对性治疗有重要现实意义。由于心脏结构的复杂性导致其精确分割仍是一项极具挑战性的难题。传统分割方式已较为成熟,主要利用图像底层特征,如灰度、边缘等信息进行图像分割。但传统方法通常需要大量人为参与,且分割精度往往不高。随着深度学习的发展,以及图像数据量的日益增多,构建神经网络自动提取特征进行图像处理的方式越来越占据优势。基于深度学习方法的图像分割自动化程度和精度都在不断提升。综合分析心脏分割的难点和现有方法的特点,本文主要采用深度学习的方式并结合相关策略展开对心脏tMR图像中左心室分割方法的研究。本文整体工作分为两大步骤:一是tMR图像中心脏区域的自动定位;二是基于深度学习的左心室内外膜分割。主要工作有以下几点:（1）在左心室分割之前,本文利用心脏的运动特性,通过局部正弦波建模法（Sin Mod）实现tMR图像中心脏区域的自动定位,并获得感兴趣区域。追踪心脏运动信息并定位获取感兴趣区域,更加精准高效且有利于减少后续分割任务中无关因素的干扰,降低处理时间并提高精度。（2）采用课程学习策略训练左心室分割网络以提高分割准确率。课程学习的主要思想是模仿人类学习事务由易到难、循序渐进的特点。因此本文根据分割困难度不同将数据集划分为难易两组,在训练过程中逐步增加样本数量以及复杂程度,使模型由浅入深学习图像相关特征,以提高分割精度并增强模型的泛化能力。像素级别分割的U-Net满足医学图像对分割精度的高要求,因此本文选用U-Net作为基本分割模型。（3）本文将生成对抗网络的思想应用到心脏tMR图像的分割中,提出并构建了基于互补标记的分割-对抗网络,以减少课程学习数据分组的工作量和误差,并进一步提高分割自动化程度和精度。提出的互补标记同时考虑分割前景与背景,且融入待分割原图的细节纹理,使得判别模型在不断地对抗训练中能提取输入数据的丰富特征,更好地反作用于分割网络,促进其持续调整参数,使分割输出越来越接近真实边界。最后,通过实验以及对比分析,验证了本文提出方法的有效性和合理性。相较于传统的左心室分割方法,本文的方法表现出显著优势。其中,采用课程学习的训练策略,有效提高了内外膜的分割精度。使用互补标记的分割-对抗网络在分割自动化程度和准确率方面得到了更大幅度的提升。