心脏核磁共振成像诊断是一种重要的心脏疾病诊断方法,通过研究心脏的核磁共振影像可以获得一系列的心脏性能指标和疾病类型。其中一项重要的检测方法是对影像中的心室进行精确分割。在临床中需要经验丰富的医生手动进行分割,这种手动分割的方法比较费时间。如今基于深度学习的图像分割算法在实践中发挥了巨大的作用,取得了较好的分割效果。但是心脏的左右心室分割和自然图像分割相比存在一些显著的困难,一方面用于深度学习网络训练的医学图像分割的数量较少,难以获取,另一方面左右心室图像和自然图像相比存在分辨率较低,图像不清晰等特点,并且心室的图像边缘比较模糊,心室收缩时的所占区域比较小,给深度学习网络的训练带来了一定的困难。针对可用于训练的左右心室图像较少和心室区域比较小的问题,本文提出了基于对抗学习的左心室和右心室的半监督分割算法。该半监督对抗学习算法基于生成对抗网络（GAN）,将生成网络替换为适合左右心室区域分割的分割网络,并将鉴别网络替换为可以生成置信图的全卷积网络。生成网络和鉴别网络可以在训练过程中相互对抗,相互学习,共同提高分割能力和鉴别能力。在网络初始训练时只使用有标签的图像,当网络具有一定的分割能力和鉴别能力时,交替输入专家标签的图像和无标签的图像进行半监督的学习以充分利用数据集中大量的无标签图像。另外针对左右心室图像复杂的特点,在分割网络中使用了MSPN模块和多尺度扩张卷积模块,以进行不同阶段和不同尺度的特征提取,同时为了减少模型的参数量,避免过拟合,在分割网络中合理的设置滤波器的数量。在实验中本文使用了多个数据集来验证算法的有效性,并与其他优秀的左右心室分割的结果进行了对比,最后的实验表明该算法在多个评价指标上均有提升。同时为了进一步提高模型心室分割的准确率,减少所需的训练数据,本文又提出了基于循环生成对抗网络的半监督心室分割算法,并增加了注意力机制。它由两组对抗网络组成,一组对抗网络的生成网络可以用来生成分割结果,另一组对抗网络用来生成标签,与前述算法相比增加了从标签生成图像的过程。实验结果表明该方法可以在更少的有标签图像的情况下有效提高分割的准确率和鲁棒性。