心血管疾病非常常见,已经成为人类致死率最高的疾病之一。冠心病是主要的心血管疾病之一,其主要由冠状动脉疾病引起的心脏病。冠状动脉CT血管造影（Coronary Computed Tomography Angiography,CCTA）主要在冠心病临床诊断的早期筛查中使用。随着计算机辅助诊断技术的不断发展,诊断技术对CCTA图像的自动化处理及精度提出了更高的要求。本文以CCTA图像数据作为研究对象,从图像预处理步骤出发,提出了基于分形特征分析的噪声图像超分辨率方法,以获得纹理细节丰富的无噪CCTA图像。进一步,针对医学图像自动化高精度分割问题,基于目标检测和分割深度神经网络,分别提出了基于多特征融合MASK RCNN的冠状动脉分割及基于跳跃链接注意力Unet的冠脉钙化病灶分割方法,为冠心病辅助诊断系统提供技术支撑。本文的主要工作如下:第一,CCTA图像在获取和处理过程不可避免的会引入噪声,并且噪声会对分割网络的特征提取造成影响,针对这一问题提出一种基于分形特征分析的噪声图像超分辨率重建方法。分形分析可以有效地描述图像的纹理特征,将分形分析应用到超分辨率重建模型中。进一步利用图像的局部特征分析,提出一种基于局部分形维数的去噪方法来恢复无噪声图像。在此研究基础上,采用多重分形谱来描述和分析图像的局部特征,提出一种基于多重分形谱的分形滤波方法。本文基于对退化模型的观察,本文将插值和去噪问题建模在同一框架下恢复无噪图像。第二,通过多特征融合来提高分割网络的分割精度,提出一种基于多特征融合的Mask RCNN冠状动脉分割网络。针对CCTA图像的弱边界问题,引入一种边界特征提取方法提取有效的边界特征。CCTA图像具有复杂的背景,某些组织器官的形状和灰度强度类似于冠状动脉,例如肺动脉、肺静脉和骨骼等,使高精度分割困难。针对这一问题,利用分形维数可以描述图像复杂性以及表示区域间相似性的性质,用来区分冠状动脉与其他的组织器官。最后利用特征融合方法可以互补特征的优势,提高网络感知细节信息以及提取特征的能力。第三,利用跳跃连接结构将密集注意力机制融合到分割网络中,提出一种密集跳跃连接注意力的Unet网络。跳跃连接可以将解码器网络的语义和粗粒度特征与解码器的底层和细粒度特征融合。本文将自注意力机制采用密集跳跃连接的方式融合到Unet网络中,在CCTA图像复杂背景下生成高精度的钙化病灶分割结果。