近年来,心脏血管疾病已经变成人类致死率最高的疾病之一,它具有着高患病率、高致残率和高死亡率等特点。而在我国心血管病的发病率和死亡率也呈逐步上升趋势,因此论文提出通过计算机视觉与医疗相结合的方式,用更加高效的图像处理方法从血管影像中提取精确的血管结构,减少诊断中的人工交互、降低对医疗人员的依赖,提升疾病诊断的效率,并且为之后基于心脏冠状动脉造影图的医疗诊断系统提供辅助策略,如:钙化检测、狭窄检测等。目前成功运用于冠状动脉造影图像的分割算法并不是很多,表现也不能达到要求,而结合深度学习进行冠脉造影分割任务的相关研究也几乎为零,在此背景下,本论文提出使用深度神经网络的方法对冠脉造影图像进行分割。论文的主要成果如下:第一,论文将传统分割算法用于冠脉造影图像进行分割实验,成功实现了部分主流的经典分割算法,包括:Otsu算法、GrowCut算法,并根据实验结果分析传统算法在冠脉造影分割任务中的表现以及不足之处;第二,论文从零开始建立了心脏冠脉造影图像数据库,包括数据的来源、数据的脱敏、标注工具的设计实现、数据的粗标注、精细标注等,然后将数据按照医学上不同的病变进行分类,其次再细分成左右冠在内的7个体位的数据,最终整理获得超过11000张粗标注数据和9551张精标注数据;第三,在研究了卷积神经网络和深度学习的相关知识和核心思路之后,论文提出了一个基于深度学习的冠脉造影图像完整分割算法流程,包括图像的预处理、网络的选用、具体结构以及训练和测试方法等,成功实现了经典网络FCN、PSPNet在分割任务中的实验,并在运用PSPNet对各个体位进行实验之后,使用精确率、召回率和F1 score三个评估指标对实验结果进行分析与讨论。最终的实验结果验证了基于深度学习的PSPNet网络在心脏冠脉造影图像分割任务上的优势和有效性。