我国心血管疾病的发病率逐年升高,同时死亡率位居各类疾病首位,其中部分心脏疾病与心脏运动功能异常密切相关。在准确跟踪心脏运动轨迹基础上,能够分析心脏运动功能,诊断心脏疾病。传统的心脏运动跟踪方法速度慢、效果不够突出,不适合临床应用,心脏疾病分类也需要手动提取心脏形态学特征,不便于计算机辅助诊断。近年来,深度学习特别是卷积神经网络在计算机视觉领域的广泛应用为心脏运动跟踪和心脏疾病分类问题带来了新的解决思路。卷积神经网络通过基于特征学习的方式,提取有效特征用于特定的任务,达到了优异的效果,本文将卷积神经网络强大的特征提取能力应用于心脏运动跟踪和心脏疾病分类领域中。针对心脏运动跟踪问题,本文提出了一种基于无监督学习的心脏运动跟踪方法。该方法提出通过合理降低网络通道数的方式大幅降低网络参数量,并加入多分辨率特征聚合模块进行改进,得到高效的多分辨率特征聚合网络作为子网络。进一步根据全局和局部心脏跟踪任务分配的思想,设计了双网络架构,主网络主要负责心脏整体运动模式的预测,副网络主要负责对心脏局部运动进行修正,用多级损失函数约束来保证主副网络的任务分配,最后将主副网络得到的运动轨迹进行合成得到完整的心脏运动轨迹。所提出的网络结构被称为残差双网络,在MICCAI-ACDC数据集中心脏左心室、右心室、心肌运动跟踪dice系数分别为0.948、0.903、0.856,同时模型参数量仅有7M,实现了性能和速度的平衡。针对心脏疾病分类问题,本文利用心脏运动跟踪结果,提出了一种基于卷积神经网络的心肌梗塞诊断双流网络。网络包含图像信息提取和运动信息提取两个子网络分支,分别用于处理图像中包含的形态、位置等静态信息和运动轨迹中包含的动态信息,其中每个分支包含用于将三维数据映射为二维特征的特征压缩模块和对特征进行分类的特征编码模块,最终的分类结果为两个子分支输出的融合。本文提出端到端的心脏疾病分类算法,无需手动提取特征,网络的分类平均正确率为0.772,分类性能良好。并进一步提出心肌梗塞切片诊断双流网络,对正常心脏切片和存在心肌梗死区域的切片进行分类,用来定位病人心脏中心肌梗死的切片和判断心肌梗塞病情的严重程度,该方法对正常切片和心肌梗死切片的平均分类正确率为0.816。