心脏磁共振成像（cardiac magnetic resonance,CMR）主要用于心脏功能评估和心血管疾病诊断。通过心脏磁共振图像评估临床参数,包括射血分数、心室容积、脉搏输出量和心肌质量,它们被认为是黄金标准。应用计算机辅助诊断来解决这一问题已成为近年来的热点。以往的研究提出了很多基于传统特征的方法,随着卷积神经网络的发展,心脏磁共振图像中器官自动分割方法相对于传统特征提取方法在速度和准确率上都有了很大改进,但是由于心脏区域位置、形状、大小各异,以及心脏核磁共振图像对比度低造成区分边界困难,这给卷积神经网络提升分割准确率造成了困难。同时现有的基于卷积神经网络的方法大多忽视了特征聚合过程中的错误对齐的问题,没有充分利用多尺度背景和轮廓信息,造成了细节和语义的丢失,导致无法学习全局特征以及分割图边缘的不连续性。我们设计了一种名为残差门控压缩的边缘注意力模块,从深度方向和宽度方向和高度方向三个方向去自学习特征的重要程度,学习对病灶区域的特征施加较大权重,从而让网络能够自适应地更加聚焦于病灶区域,从而提升网络分类表现。除此之外,我们设计了一种名为体素关系流的上下文关系学习模块,其能更有效的将低分辨率高层次的语义特征和高分辨率低层次的边缘特征进行特征对齐以此进行有效的特征融合。最后,我们设计了一种名为级联空洞空间金字塔的多尺度特征提取模块来更好地获得不同尺度的心脏语义特征来让网络克服不同图像中心脏形状变化较大的问题。实验证明我们的网络在公开的心脏数据集上取得了最好的实验效果。