心脏医疗影像的自动分割在临床诊断与医学研究上具有重要意义。其可以自动可重复的分割出心脏结构,帮助医生观察心脏状态并找到病变位置等,显著减少医护人员的负担。目前,领域内依然存在一些问题。首先,分割性能最好的算法普遍使用的是卷积神经网络,但在分割任务中,卷积神经网络中的池化等下采样操作会损失大量像素信息,造成信息损失的问题。其次,领域内普遍使用基于插值操作的调整大小方法来使医疗影像数据集不同样例的尺寸一致,然而调整大小方法会基于插值操作增添、删去、修改大量像素的值,这样会造成信息损坏的问题。另外,膨胀卷积可以扩大感受野,但与传统的方法相比会使网络的存储量和计算量增加。为了解决上述问题,本文的工作分为以下三个方面:（1）提出了一种数据预处理方法,包括粗糙分割网络、心脏中心点定位算法和无损裁剪。该方法能够避免信息损坏,弥补膨胀卷积造成的网络存储量和计算量增加的问题,使膨胀卷积能够部署到整个分割网络中。该方法可以减少冗余信息,使网络注意力集中在分割目标区域,增加分割的准确性。（2）提出了一个去除全部池化操作,所有特征图分辨率与输入图像保持一致的深层卷积神经网络结构。该网络使用不同膨胀系数的膨胀卷积来扩大感受野。实验证明这种规整的网络结构在图像分割任务中具有避免信息损失的能力。这样有利于网络深层的学习和充分利用网络深层来分割图像。（3）分析并通过实验证明了基于插值操作的调整大小方法对图像信息具有损坏效果。提出了避免使用调整大小方法且能够解决不同样例尺寸不一致问题的完整数据处理流程。该流程可以避免调整大小方法造成的信息损坏问题。使输入分割网络的图像和作为学习目标的标注更加真实准确。分割结果由网络直接产生,无需通过调整大小方法恢复为原尺寸,因而会更加光滑准确。本文为了避免信息损失和信息损坏,提出了新的心脏医疗影像分割方法。使用ACDC心脏多类别分割数据集,在左心室、右心室、左心肌的分割上分别取得了0.951、0.915、0.910的平均Dice分数。无论是分割准确度还是计算速度,都达到了国际前沿的水平,具有重要的实用价值和参考意义。