在心脏疾病诊断和心功能评估等领域中，基于核磁共振成像(Magnetic resonance imaging，MRI)序列的心脏运动和形变估计是一个不可忽视的研究方向，尤其是左心室(Left Ventrical，LV)MRI序列所反映的运动信息对于心脏的功能评估具有重要的价值。 针对实际应用的不同侧重点，本文核心内容包括三方面：LV的运动矢量场估计、LV参数化运动跟踪模型和LV的概率跟踪模型。前者可以用来构造跟踪的时空约束条件，并可独立进行研究；后两者为本文中以复合跟踪模型(Mutiple Active Contour Model，MACM)和广义模糊粒子滤波(Generalized Fuzzy Partical Filter,GFPF)为代表的两类跟踪技术。传统方法中的参数化ACM和PF概率算法分别用来解决闭合轮廓的跟踪和逐点的状态估计、轨迹描述。而今GFPF具备更高的灵活性和可控性，GFPF不仅被用来跟踪点的运动还可描述轮廓和曲线的运动，其鲁棒性可以在精度与速度间折中考虑。 LV的收缩和舒张属于非刚体运动，且LV边缘轮廓比较模糊，通常含有噪声，当前的各种估计和跟踪算法在鲁棒性方面存在各种程度的缺陷。在困难而复杂的改进过程中，新方法的提出尤显重要。本文从随机的、模糊的、优化的理论框架出发，解决了局部运动约束和概率密度优化问题，并且在该框架下发展了运动估计技术、动态轮廓线跟踪模型和粒子滤波跟踪算法： (1) 基于Markov-Gibbs理论，提出了运动估计的Gibbs模糊融合模型(Gibbs Fuzzy-fusion Model,GFFM)。该融合算法的估计结果是在低风险和自适应平滑约束下的优化数据实现，它继承并优化了经典运动估计的结果，实际效果显著； (2) 针对经典梯度矢量流(Gradient Vector Flow,GVF)的不足，提出了广左心室MIU序列的运动跟踪新方法第一军医大学博士学位论文义模糊梯度矢量流(oenera一ized凡zzy Gradient Vector Flow，GFGVF)的概念和算法，其实际效果明显由于经典GvF;(3)针对传统ACM分割方法不直接针对轮廓线跟踪问题，本文提出了动态轮廓的复合跟踪模型MACM;(4)结合顺序蒙特卡罗方法(Sequential Monte Carlo，SMc)和广义模糊理论提出了LV跟踪的GFPF算法。GFPF算法不仅可以逐点描述运动轨迹，当加入适当的约束条件后能够完成LV轮廓的跟踪;并且该算法解决了该领域至今未能避免的粒子退化问题。 上述第(2)项中GFGVF计算为第(3)项内容动态轮廓跟踪提供了重要的外力条件。在严格的论证和大量对比实验前提下，上述算法对该领域具有挑战性的问题提供了解决对策。进一步，在心功能评估中我们得出一套对临床诊断颇有价值的LV评估方法。