心脏磁共振图像（Cardiac Magnetic Resonance Imaging,CMRI）分割对于心脏疾病的诊断是非常重要的一个步骤,该任务通常需要能够分割出左心室、右心室、心肌区域。在过去数年间有提出过许多相关的自动化分割方法,并且取得了一定的效果。但是,基于有监督的图像分割算法,由于标签数据仅有心室舒张末期（ED,End Diastolic）和心室收缩末期ES（End Systolic）两帧图像,大量时间序列中的有效数据没有充分利用,使得心脏磁共振图像内的关键结构难以辨识。而深度学习网络中的大量参数需要足够多的数据才能够使得模型泛化能力增强,因此本文提出了生成式半监督学习方法能够充分利用图像当中所有时间序列的无标签数据,强化特征提取,增强网络的泛化能力。与此同时,不同病人不同病理图像之间存在多变的心脏形态结构,使得模型难以适应复杂多变的心脏结构。因此本文提出了对比式半监督学习方法能够更加关注结构特征信息以提升对复杂结构区域的分割效果。（1）本文提出了基于生成式半监督的耦合网络Couple Net,该耦合网络包含监督模块和自监督模块。自监督模块通过对无标签数据进行预训练,监督模块的分割结果概率分布以加权的形式结合到自监督损失函数当中,强化前景部分的特征提取;监督模块通过加载自监督预训练的参数来提升分割效果,以此让两个模块耦合。基于ACDC和M&M数据集的实验结果显示,相比于传统的监督学习网络,同时和排行榜上其余方法相比,Couple Net取得了更好的效果,ACDC数据集三个心脏组织结构ED时期Dice指标达到了0.96、0.94、0.90;ES时期到了0.93、0.98、0.92。M&M数据集三个区域的综合Dice指标达到了0.910、0.873、0.842,最后在两个挑战赛上都取得了前二名的成绩。（2）Couple Net实现了良好的分割效果,但在右心室区域的分割仍然有结构上的缺陷。本文考虑到结构语义信息的重要性,提出了另外一种基于对比式的半监督方法（Contrast Net）能够充分获取整体结构信息。并且为了适配医疗图像领域,加入了弹性形变增强扩大了输入空间。从M&M和ACDC数据集的实验指标和可视化分割结果表明,Contrast Net尽管没有在左心室和心肌部分取得突破,但在保证上述两个区域保持相似效果的基础上,能够在右心室的效果上得到一定的提升。为了结合两种半监督方法的优势,本文也设计了混合迁移的实验,使得网络在左心室和右心室的Hausdorff距离上进一步缩减了0.1mm。（3）在提出了上述的心脏磁共振图像分割算法的基础上,为了使得分割算法在未来能够投入使用,满足医疗图像自动化分割的需求,本文基于该分割算法实现了心脏磁共振图像的分割系统。使用Mevis Lab平台和基于Python的Flask网络服务框架,在C/S框架下进行了心脏磁共振图像分割的功能实现,编写了界面化的图像浏览和实现了远程服务器预测图像的分割结果并在本地展示。