心脏功能分析在临床心脏病学中对患者管理、疾病诊断、风险评估和治疗决策起着重要作用。心脏磁共振（Cardiac Magnetic Resonance,CMR）图像主要用于心功能评估和心血管疾病诊断。CMR图像被认为是进行非侵入性心功能分析、估算临床参数的金标准。从医学图像中描绘重要的器官和结构常是估算临床参数、疾病诊断、预后预测和制定手术计划的主要步骤。在临床诊断中,放射科医生通过手动或半自动绘制包含心脏左心室、右心室和心肌的轮廓线,以获得心功能分析相关的临床参数（如射血分数、每搏输出量等）。但是,手动或半自动分割往往既费时又易引入人工误差,一方面给医生带来巨大工作量,另一方面常会受到医生诊断经验等因素的影响而导致分割结果不一致。近年来心脏相关疾病的发病率有逐步上升的趋势,而手工或半自动分割很难满足巨大的医疗需求。因此,迫切需要一种快速、精确的自动化CMR图像分割算法以提升诊断效率。本文首先基于全卷积神经网络设计了一个适用于心脏多结构（左心室、右心室和心肌）分割的图像分割网络（Cardiac Segmentation Network,CSNet）。CSNet将CMR图像分割任务分为两个阶段,第一阶段设置了一个2D U-Net和一个并行的3D U-Net,分别用于学习二维形状特征和三维结构特征;第二阶段设置了一个以融合特征为输入的2D U-Net,用于获取最终分割结果。其中融合特征通过可学习加权相加操作对第一阶段两种网络的输出特征图进行加权相加来获取,其主要作用是为第二阶段中的2D U-Net引入三维结构信息,弥补2D U-Net无法学习三维结构特征的缺陷,进而提升模型性能。基于ACDC数据集的实验结果表明,与2D U-Net和3D U-Net相比,CSNet取得了最佳的性能表现。CSNet实现了良好的模型性能,同时也引入了较大的参数量和计算量。为了在保证模型性能的同时,尽可能优化参数量和计算量,本文对CSNet进一步加以改进,该改进网络（Cardiac Segmentation and Deep Feature Fusion Network,CS-DFFNet）将三维卷积核嵌入到二维卷积神经网络中,更深度地融合了二维卷积和三维卷积提取的特征,并结合了自主设计的多结构由粗到细推理模块以及基于容积信息的损失函数。三维卷积的引入,可以弥补二维卷积无法学习三维磁共振图像的三维结构特征的缺陷;而多结构由粗到细推理模块同时考虑到了心脏多结构一致性及连续性,为网络引入了更丰富的全局信息和局部信息,增强网络对心脏整体结构的感知;基于容积信息的损失函数以待分割三维图像的容积值作为约束项,加快了网络训练过程,并带来了一定的性能提升。与典型的二维卷积神经网络相比较,CS-DFFNet可以同时兼顾三维心脏磁共振图像的二维形状特征和平面间上下文联系,弥补了二维卷积神经网络无法学习三维结构特征的缺点,并且改善了原始三维卷积神经网络显存占用量大及容易过拟合的问题。实验表明,与CSNet相比较,CS-DFFNet在性能表现方面获得了提升,且参数量和计算量仅为CSNet的1/4。基于ACDC测试集的测试结果表明,本文提出的CSDFFNet对应的左心室、右心室、心肌三个组织结构的分割结果平均Dice系数分别为0.945、0.925、0.91,部分指标超越了ACDC数据集已公开分割精度排名第一的算法。此外,基于CMR图像分割结果的心脏疾病分类算法实现了（五种不同疾病类型图像数据）94%的分类准确率。