心血管疾病是全球死亡的主要原因之一,具有发病率高,死亡率高的特点。由于心血管疾病对人类生命健康造成严重危害,因此对心血管疾病的诊断和治疗显得极其重要。心脏图像的精准分割使医生能够对心脏解剖结构和功能进行无创定性和定量评估,在疾病的预防、诊断和治疗中发挥重要作用。心脏影像在实际的诊断过程中通常呈现多种模态,具有不同物理特性的不同模态图像能在诊断过程中起到互补的作用。因此,将训练好的网络模型有效地适应另一种模态数据对于医学临床研究具有重要意义。由于不同模态的医学图像视觉外观和数据分布存在很大差异,在一种模态数据集上训练的模型直接应用于不同分布的其他模态数据集会导致模型性能显著下降。此外,心脏图像结构复杂且不同子区域之间存在粘连,导致模型难以准确分割区域边界。针对上述问题,本文结合多模态心脏图像的特点,设计基于生成对抗网络的无监督域自适应算法,以提升模型在多模态心脏图像上的分割性能,本文研究工作如下:（1）针对多模态心脏图像间的域偏移问题,提出一种融合并行注意力模块与残差注意力单元的无监督域自适应模型用于多模态心脏图像分割,称之为RA-SIFA。首先,在RA-SIFA的生成模型中引入并行注意力模块来融合全局信息,以增加特征的多样性,从图像对齐的角度来减少域偏移。其次,通过设计残差注意力单元来缓解卷积层对空间位置不敏感的问题,对共享编码器进行优化,实现更精确地特征提取,进而从特征对齐角度进一步减少域偏移。实验结果表明,RA-SIFA模型能够结合图像对齐和特征对齐两种角度来实现无监督域自适应,进而提升了模型的分割性能。（2）由于基于CNN的方法感受野有限,无法较好的从全局特征空间建立显式的长距离依赖关系,导致原始模型的全局特征提取能力较差。针对这个问题,提出一种基于多尺度Transformer的无监督域自适应模型—MTU-SIFA。首先在生成模型中添加多尺度Transformer模块来捕获远距离依赖关系,进而提升网络提取全局特征的能力。其次通过在生成模型中引入跳跃连接将编码器中的多尺度特征与下采样特征融合,来减少下采样造成的特征信息损失。实验结果表明,MTU-SIFA模型能有效地为心脏图像的局部和全局特征建模,提升生成模型的特征提取能力,并有效提升模型的性能。