在快速发展的当代社会,由于科技的不断进步,图像成为人们快速获取信息的重要途径之一。图像分割作为图像处理中最棘手的一方面,也是对生活、工作、学习极为重要的一方面。传统的图像分割主要分为区域分割和边界分割两种,在近几年兴起的神经网络中,将图像分割分为语义分割和实例分割两大类。本文利用深度神经网络对图像进行区域分割,得到目标所在大致位置,作为边界分割的初始位置,最后得到精确的分割结果。在医学图像分割中比较主流的神经网络叫做U-net神经网络,形状酷似英文字母U,左侧使用卷积层来学习图像特征,同时使用下采样层来增大感受野,右侧使用上采样层的同时,复制左侧的图像特征再进行新特征的学习。由于下采样层会破坏图像的细节信息,所以本文提出了一种不损失图像信息并且可以增大感受野的扩展卷积神经网络。主要思想是利用扩展卷积来代替下采样层对心脏右心室进行分割,并在中间层对前一层的信息进行复制,使网络可以学习到更多的图像信息。由于医学图像的精确性,我们使用U-net神经网络,D-net神经网络以及阈值分割法来进行粗略的区域分割,给出心脏右心室的大致位置,为下面的精确边缘分割提供初始位置。我们在图像的边界分给中提出了一种N-C-V分割模型,在模型中加入边界探测函数,使得模型在边缘分割中有更好的效果。为了计算简便并且省去重新初始化的步骤,我们在对N-C-V模型进行数值求解时,利用变分水平集的方法。在实验中我们将N-C-V模型与传统的Snake模型和Level-Set水平集方法,DRLSE模型进行模型结果对比。