目前,心脏疾病是造成人类非自然死亡的主要原因之一。而针对心脏病理的研究与治疗往往需要依靠大量的心脏成像手段。作为一种常用的成像方式,核磁共振成像为心脏疾病的诊断和治疗提供了重要信息,很多临床参数需要通过分割MRI图像中的心室区域得到。临床上,分割通常由专家手动执行,不仅费时耗力,而且还存在很高的观察者间差异性。因此,开发快速、精准、可重复以及全自动的分割算法对心脏及其疾病的研究有着十分重要的意义。虽然研究者们已经提出了大量的分割算法,但关于心室区域的分割仍是具有挑战性的难题。本文针对左心室图像分割进行了系统性的研究,具体工作与主要成果如下:（1）提出了一种基于目标定位与保凸性水平集的左心室分割方法。首先,使用SBGF-new SPF方法将每个MRI图像分为背景和前景两个簇。然后,为每个连通区域分配不同的连通组件标签,并设计改进的左心室选择方法获取目标初始轮廓。最后,结合轮廓长度约束的保凸性水平集和趋圆性水平集算法控制轮廓演化,从而得到左心室内膜分割结果。在此基础上,构建基于灰度均值约束的保凸性水平集分割方法,并以已分割的左心室内膜区域为初始化轮廓,得到左心室外膜的分割结果。实验结果表明该方法相比于其他常用分割方法具有高自动化、少迭代以及高精确度的优点。（2）提出了一种融合卷积神经网络与水平集的分割模型,实现了MRI图像中左心室的提取。该模型主要包括多扩展率稠密层、水平集层和融合层,一方面,通过稠密网学习图像特征并输出一个概率分割结果作为水平集的初始轮廓。另一方面,水平集的迭代结果与神经网络得到的图像结构特征相结合更新稠密网损失函数,进而更新卷积神经网络中的参数。上述过程迭代循环,最终实现卷积神经网络和水平集的联合学习,提高目标区域分割的精确度。实验证明该方法相比于单一卷积神经网络或水平集方法更具鲁棒性与精确度。（3）设计并实现了一套左心室图像分割与分析系统。该系统包括图像数据处理模块、图像分割算法模块以及分割结果评估模块三大功能。实现了左心室图像的数据处理、心内膜和心外膜的分割以及分割结果评估等多种功能。