精准的心脏图像分割在很多疾病的诊断和后续的治疗中有至关重要的作用,比如心脏右心室（RV）的结构和功能与大多数心脏疾病有关,包括肺动脉高压、心肌病、先天性心脏病等疾病。开发右心室的自动分割算法将大大减少放射科医生的日常工作量。鉴于RV结构的形状多变,难以区分内外模与腔的边界等问题,传统半自动分割算法在分割精度上依然有很大的提升空间,而深度学习在医学图像上的成功应用,为RV分割开阔了新的全自动分割算法方向。本文从深度学习的角度出发,针对Cine MR心脏成像,提出几种全自动深度学习分割算法,研究设计更好的深度学习分割网络,进一步提升RV分割的精度。首先,本文提出了一种基于残差Unet卷积网络的RV分割方法。该方法采用U-Net网络结构,在编码层提取RV特征,并级联多个残差块来提取RV特征;在解码层采用卷积层进行RV预测,进行端到端决策。我们通过设计嵌入不同的残差结构和数量,在一定程度上加深了网络,增强了网络特征提取能力,与现有的网络相比,我们提出的网络更轻巧,提取特征能力更强。在公共数据集MICCAI2012右心室分割数据集上的实验表明,该网络在几个常用的评价指标上都优于现有的大多数自动分割方法。其次,深度学习模型的精度不仅仅是要求精度高,模型也要快。本文提出一种有效的压缩卷积网络用于RV分割。通过将特征的压缩、扩展和自适应加权相结合,构造了一个压缩扩展注意力（SEA）模块,以生成用于预测的特征映射。在Unet网络结构中将普通卷积换成SEA模块,组成SEA-Unet网络,该网络不仅相比Unet参数更少、训练速度更快而且RV分割精度也更高。在公开数据集上的实验结果表明,与现有其它深度学习方法相比,本文提出的网络在准确率和速度上都取得了更好的分割结果。最后,虽然几种深度学习分割方法（特别是CNN）在估计这些临床参数方面取得了巨大的成功。这些方法仍然会产生解剖学上不可能的形状,如分割结果出现”内凹”或是分割出多块右心室结构。基于前面两种研究方法的基础上,本文根据解剖学上的特点,通过构建形状约束函数和空间约束函数,来解决RV分割中出现的”内凹”现象和分割出多块右心室结构的问题,我们基于两种编码器进行实验,分别是卷积压缩网络（SEA-Unet）和卷积编码器。实验结果表明,形状约束函数和空间约束函数的加入有效改善了分割结果。