随着近年来人民生活水平的提高,冠心病的发病率和死亡率逐年递增,已经成为威胁人类生命安全的最主要因素之一。冠心病的病因主要是由于粥样硬化斑块在冠状动脉壁上不断积聚,进而引起的冠状动脉狭窄或闭塞。钙化斑块是较稳定的一类冠状动脉粥样斑块,在临床上常常使用钙化积分来衡量冠状动脉整体的钙化情况。快速定位和分割钙化斑块是计算钙化积分过程中最重要的一步,对冠心病的快速诊断具有重要意义。但是在对钙化斑块进行分割的过程中面临着许多问题:病灶较小的尺度和模糊的边界,容易导致类别不均衡问题,使得分割精度不尽人意;此外,小尺度对象容易在下采样的过程中丢失结构信息,难以在解码器中实现对图像的重建,因此钙化斑块的分割在实际应用中是一件非常有挑战性的工作。现有钙化斑块分割算法的分割效果还不够完善,一方面在分割精度上还有很大的提升空间,另一方面分割结果往往难以保证边缘结构的完整性。为了实现对钙化斑块的准确分割,本文提出了一个基于深度学习的钙化斑块分割算法。本文的研究工作总结如下:（1）由于当前网络上没有权威的可用于钙化斑块分割的公开数据集,本文通过对心脏CT图像进行标注,构建了一个新的钙化斑块分割数据集。（2）本文提出了一个新的端到端改进版UNet网络来实现对钙化斑块的精确分割。首先,为了解决池化层扩大感受野与丢失特征信息之间的矛盾,我们在减少了网络的下采样次数,在网络最底层构建了一个依赖增强模块,为模型添加多尺度学习能力并建立网络中长期依赖关系,有效的提高了模型的感受野大小。此外,本文在跳跃连接上构建了一个用于过滤噪声信息的门控机制FG模块,通过抑制不相关特征来提高网络推断结果的准确性。（3）本文提出了一种新的基于像素距离的加权计算方式,在计算模型损失时通过使用加权交叉熵损失和DiceLoss对网络进行混合监督训练,从而避免类别不均衡问题和单独使用Diceloss时的曲线震荡问题。我们在钙化斑块分割数据集上全面评估了所提出算法的表现,实验结果验证了本文方法对钙化斑块分割的优越性和可行性。