心脏在人体循环系统中负责泵送血液,是人体最重要的器官之一,而心血管疾病却严重地威胁到了人类的健康。计算机化X射线断层摄影(Computed Tomography,CT)是最常见的医学影像成像方式之一,在多种疾病的诊断和辅助治疗中扮演着不可或缺的角色。在临床医疗中,心脏CT图像的分割为心血管疾病的诊断和治疗提供了重要的帮助,但人工分割心脏CT图像是一项复杂耗时的任务。在医学图像处理领域,自动且准确地分割心脏CT图像是一个重要的研究方向。基于多模板配准的分割技术是一种常用的图像分割方式。利用配准技术可以获得模板向目标图像的空间变换,将此变换作用在模板分割标签上即可得到模板对目标图像的预测分割结果,融合多个模板的预测分割通常能提高最终分割结果的准确性。但是多模板配准技术时间复杂度高,不满足实时性要求,并且如何融合多个预测结果是一个难题。卷积神经网络(Convolutional Neural Network,CNN)的快速发展,以及全卷积网络(Fully Convolutional Network,FCN)的出现使得快速且精确地分割心脏CT图像成为可能,但是基于卷积神经网络的分割算法的准确性容易受到数据集质量的影响。为了同时利用多模板配准技术和卷积神经网络在心脏CT图像分割任务上的优点,本文提出了一种融合了卷积神经网络与多模板配准技术的三维心脏CT图像分割算法。为了降低传统LDDMM配准模型的时间复杂度,本文使用具有UNet结构的全卷积网络生成配准所需的初始动量。此外为了提高多标签融合过程的精度,本文用神经网络代替传统的相似性测度,并且使用了浮动数量候选标签和半局部标签融合算法。为了评估本文提出的心脏CT图像分割算法的性能,本文在MM-WHS数据集上对每个步骤的算法都进行了详细系统的实验分析。同时,本文采用了Dice、MeanIU、NCC和MI等多种评估策略。系统的实验表明,本文提出的融合神经网络和多模板配准策略的心脏CT图像分割方法具有很高的精确性和实用性。