目前心脏分割主要集中在心房和心室的分割,然而临床手术中常常需要心脏的整体结构作为参考,并根据其轮廓进行三维重建,用来辅助临床的治疗。复杂的心脏结构以及心脏跳动产生的噪声为心脏分割带来了干扰,因此心脏的自动分割一直备受关注。本文针对心脏的MRI图像展开研究,并根据图像序列中高度相关性的特点,对心脏分割算法进行了研究,并提出了基于边界空间学习的心脏自动分割算法。本文主要研究内容包括:首先,探索了传统基于Haar-like特征的AdaBoost目标检测算法,以Haar-like特征作为图像的视觉特征,并基于AdaBoost算法和级联分类器的思想,来解决心脏目标的实时检测任务;然后,针对传统目标检测算法的缺陷,提出了基于边界空间学习的检测算法,并通过对比实验,验证了本文算法的优越性;最后,采用了基于主动形状模型的心脏分割算法,通过标记心脏区域进行训练得到心脏平均模型,然后初始化心脏模型,并根据初始化模型与检测图像的心脏边界信息进行自适应匹配,实现心脏图像的分割。本文创新点主要是:首先提出了基于边界空间学习算法定位图像的心脏区域,并对比了传统的基于Haar-like特征和AdaBoost算法的心脏检测方法。然后采用基于主动形状模型的心脏分割算法,在检测区域内进行心脏分割。实验结果表明,本文提出的方案能实现心脏的自动和精准分割,为后续心脏治疗与辅助诊断奠定了基础。