近年来,世界范围内与心血管疾病有关的死亡率和发病率持续增加。在包括中国在内的许多国家,此类疾病已经成为人口死亡的主要原因。心脏疾病的早期定量诊断和风险评估,对于预防猝死和改善患者生活质量至关重要。临床上应用计算机断层扫描(CT),磁共振成像(MRI)和其他成像技术进行心脏成像。虽然,对心脏图像的人工手动分割可以产生较为精确的分割结果,但人工分割重复性差且过程十分费时。除此之外,手动分割无法处理大量的成像数据以对心脏疾病进行定量诊断。基于上述手动分割的限制,研究人员在心脏图像分析方面对半自动或全自动分割方法进行了大量的研究。然而,复杂的心脏结构、模糊的子结构边界以及图像采集过程中由于心脏搏动而产生的运动伪影和噪声等限制,使得心脏结构的准确定位和分割十分困难。因此,对心脏的准确分割仍然十分具有挑战性。全心脏分割是指对心脏子结构的体积和形状的提取。心脏子结构具体包括四个腔室(左心室、右心室、左心房、右心房)、左心室心肌层以及大血管(升主动脉、肺动脉)。本文针对CT心脏医学图像,结合使用深度学习方法,对全心脏分割进行实验研究,提出基于3D ML-UN网络和3D DML-UN级联网络的心脏分割方法,实现了三维医学图像的全心脏自动化准确分割。本文的主要研究内容包括:(1)提出一种作为全心脏子结构分割任务数据预处理部分的基于3D U-net的心脏分割及ROI检测算法,实现了对原始图像的ROI检测,为后续全心脏的子结构分割提供了基础。(2)针对经典U-net网络存在对多尺度特性使用不足的缺陷,提出基于ML指导单元的3D ML-UN全心脏分割网络,通过多个尺度的输出与损失计算指导网络的训练,使得网络训练更具指导性,检测精度更高。(3)在3DML-UN基础上,提出3DDML-UN全心脏级联分割网络。该级联网络由粗网络和精网络构成,粗网络实现全心脏的粗糙分割,精网络在粗糙分割结果的基础上实现心脏分割的精细化。实验结果表明,本文所提出的方法较大改善了左心室和升主动脉的分割精度。在实验数据集上获得了当前已公开发表论文方法中最好的平均分割精度,所提出的方法可用于执行全心脏的高精度分割。